LIF
PulseAugur coverage of LIF — every cluster mentioning LIF across labs, papers, and developer communities, ranked by signal.
-
新研究详细介绍了用于持久代理行为的自我产生信用
研究人员开发了一种新颖的方法，通过关注自我产生的信用，在人工智能代理中创建持久的行为自我。该方法在最新论文中有所详述，表明通过代理自身的能动性来控制缓慢的信用更新，即使在记忆删除或系统重置后，学习到的行为也能持续存在。研究表明，这种自我信用机制对于开发稳定的行为自我至关重要，在干扰下保留学习任务方面优于其他方法。
-
神经形态硅套件为边缘AI系统揭幕
研究人员开发了一套用于边缘神经形态系统的四个数字知识产权（IP）模块，采用SkyWater 130 nm工艺的标准单元CMOS实现。这些模块包括一个具有随机数生成功能的工艺、电压和温度（PVT）传感器，一个用于概率推理的随机泄漏积分-放电（LIF）神经元，一个用于本地学习的片上尖峰时间依赖可塑性（STDP）控制器，以及一个用于与模拟内存接口的忆阻器交叉开关控制器。该套件设计紧凑且可配置，共享通用的串行外设接口（SPI）寄存器文件，并经…
-
新方法提高了原子间势模型的准确性
研究人员开发了新的方法，即物理感知邻域（PAN）池化和物理引导谱（PGS）混合器，以提高短程等变原子间势的准确性。这些技术侧重于改进神经网络势中的标量通道，这对于聚合和解析能量表面至关重要。当应用于 MACE 骨架时，这些标量通路校正显著降低了各种材料和分子在力与能量上的误差，计算成本仅略有增加。在 Allegro 和 NequIP 等其他模型中也观察到了改进，这表明这些标量通路保真度增强功能在不同的短程等变架构中具有可移植性。
-
新的SNN训练方法提高了性能和速度
研究人员正在通过新颖的训练方法和神经元模型来推进脉冲神经网络（SNN）。一篇论文介绍了一种“循环发放”神经元和一种可学习的代理梯度函数，以改善信息表示和梯度传播，在各种数据集上取得了有竞争力的性能，并推广到Transformer架构。另一项研究提出了“Bullet Trains”，一种并行化技术，通过使用关联扫描和可微分脉冲时间求解器，显著加快了时间精确SNN的训练速度，并在具有事件驱动数据集的GPU上展示了可行性。第三篇论文提出了一…