Leaky Integrate and Fire Neuron by Charge-Discharge Dynamics in Floating-Body MOSFET.
PulseAugur coverage of Leaky Integrate and Fire Neuron by Charge-Discharge Dynamics in Floating-Body MOSFET. — every cluster mentioning Leaky Integrate and Fire Neuron by Charge-Discharge Dynamics in Floating-Body MOSFET. across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
蝗虫启发的神经网络增强碰撞感知
研究人员开发了一种新的生物可信神经网络，该网络受蝗虫视觉系统启发，用于检测逼近的物体和潜在的碰撞。该模型模仿了蝗虫复眼的眼小梗组织，并使用具有泄漏整合发放神经元动力学的群体投票机制，摒弃了传统的 Sigmoid 函数。在合成、实验室和真实驾驶场景中的实验表明，该模型在困难的视觉条件下增强了鲁棒性，同时保持了计算效率和生物准确性。
-
新的MeMark技术将水印嵌入SNN神经元状态
研究人员开发了一种名为MeMark的新型脉冲神经网络（SNN）水印技术，以防止未经授权的预训练模型重用。与之前侧重于输出验证的方法不同，MeMark将多比特标识符嵌入选定的泄漏积分发放（LIF）神经元的内部膜状态。这种方法无需学习解码器即可进行验证，并在大型SpikeGPT检查点上进行了测试，证明了其对微调、剪枝、量化和输出头替换等各种攻击的鲁棒性。
-
视觉皮层方向选择性的贝叶斯-马尔可夫模型重构与模拟
研究人员对Shirazi的贝叶斯-马尔可夫模型进行了计算重构和模拟，该模型提出了一个概率性解释，用于解释初级视觉皮层（V1）的方向选择性。该研究重建了数学模型，并实现了一个向量化模拟框架，以支持参数扫描。模拟结果支持该模型的定性行为，包括清晰的方向选择性和对噪声的鲁棒性，并展示了推断出的抑制场的具有生物学可解释性的脉冲实现。
-
新的DSTD方法实现了连续时间SNN的可扩展训练
研究人员开发了一种名为可微分脉冲时间离散化（DSTD）的新方法，以实现更高效的连续时间脉冲神经网络（SNN）训练。该方法通过用固定时间间隔近似连续时间动力学，而不是依赖于输入相关的计算，显著降低了内存消耗和训练时间。DSTD框架结合时间正则化技术，允许在标准硬件上训练更深的SNN，并在CIFAR-10和Fashion-MNIST等数据集上成功应用于卷积SNN。
-
新的开源框架助力SNN硬件设计与探索
一个新开发的开源框架，旨在辅助设计和探索用于节能神经形态计算的混合信号脉冲神经网络（SNN）。该框架构建于PyTorch之上，通过整合器件级非线性和支持多种神经元及突触模型，使研究人员能够模拟和优化SNN硬件。它已在标准基准测试上进行了评估，报告了分类准确性以及面积和功耗等面向硬件的指标。
-
新的开源框架助力SNN硬件设计探索
研究人员开发了一个开源框架，用于模拟和探索混合信号脉冲神经网络（SNN）的设计空间。该工具将器件级非线性直接集成到PyTorch中进行训练和推理，允许优化物理突触参数而非抽象权重。该框架支持多种神经元模型，包括Leaky Integrate-and-Fire、Hodgkin-Huxley和Axon-Hillock，以及非易失性模拟突触。它已在N-MNIST、DVS Gesture和Spiking Heidelberg Digits等基…
-
神经形态电路利用ECRAM动力学实现短期可塑性
研究人员开发了一种新的神经形态电路架构，该架构利用电化学随机存取存储器（ECRAM）器件固有的非平衡动力学来实现短期可塑性（STP）。该协同设计框架将ECRAM突触与延迟反馈的泄漏积分放电神经元相结合，能够通过瞬态电导调制直接影响神经元兴奋性和突触效能。模拟表明，这种方法可以以低能耗实现STP行为，并为脉冲神经网络实现可调谐的时间滤波。
-
研究人员开发 BadSNN，利用脉冲神经元超参数进行后门攻击
研究人员开发了“BadSNN”，一种针对脉冲神经网络（SNN）的新型后门攻击。该攻击利用脉冲神经元超参数（如 Leaky Integrate-and-Fire 模型）的变异来引入恶意行为。BadSNN 在不同的数据集和架构上表现出强大的性能，优于现有的数据投毒攻击，并对常见的缓解策略表现出韧性。