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
-
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。