Leaky Integrate-and-Fire neurons
PulseAugur coverage of Leaky Integrate-and-Fire neurons — every cluster mentioning Leaky Integrate-and-Fire neurons across labs, papers, and developer communities, ranked by signal.
-
新假说模拟冯·埃克诺姆神经元以实现快速的社会决策
一项新的计算模型“快车道假说”提出，冯·埃克诺姆神经元（VENs）通过提供一个快速但不太精确的神经通路，促进了快速的社会决策。研究人员开发了一个尖峰皮层电路模型，该模型模拟了VENs和标准的锥体细胞，证明VENs能够以牺牲审慎处理的准确性为代价来实现更快的响应。该模型的研究结果与临床观察一致，表明在额颞叶痴呆中观察到的VENs耗竭会影响决策速度，而在自闭症谱系障碍中的改变则呈现出中间效应。
-
二次神经元在基于脉冲的训练中优于泄漏神经元
研究人员已经证明，二次积分发放（QIF）神经元在训练脉冲神经网络方面比泄漏积分发放（LIF）神经元具有显著优势。通过在Spiking Heidelberg Digits数据集上进行的比较研究，QIF神经元表现出更优越的性能和更稳定的训练动态。该研究可视化了损失和梯度景观，揭示了LIF神经元由于不连续性而表现出碎片化和不稳定的梯度，而QIF神经元则提供了更平滑的训练体验。
-
人工智能安全阈值被重新解读为神经元放电阈值
研究人员提出了一种新的方法来评估自动驾驶系统的安全性，将安全阈值建模为神经元放电阈值。该方法使用在人类刹车数据上训练的脉冲神经网络（SNN）来更好地捕捉对持续的临界条件和短暂的高风险事件的响应。研究表明，这种受生物学启发的模型可以将客观安全措施与主观人类感知相协调。
-
ShiftLIF神经元通过二的幂量化提升脉冲神经网络效率
研究人员推出了一种新颖的多级脉冲神经元ShiftLIF，旨在增强脉冲神经网络（SNN）在边缘计算中的表征能力。与传统的二元脉冲神经元不同，ShiftLIF采用二的幂量化方案，能够更精细地表示膜电位，尤其是在密集、低幅值情况下。该设计还通过位移操作实现了高效的、无需乘法的计算，保持了硬件效率。