snnTorch
PulseAugur coverage of snnTorch — every cluster mentioning snnTorch across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的SuperNeuroMAT模拟器提供了高效、易用的SNN建模
研究人员推出SuperNeuroMAT，这是一款新的开源Python脉冲神经网络（SNN）模拟器。该模拟器采用新颖的基于矩阵的方法对神经元动力学进行建模，能够在标准硬件上高效模拟大型网络。与NEST和Brian2等成熟模拟器相比，SuperNeuroMAT在执行速度和内存使用方面表现出卓越的性能，并可应用于机器学习基准测试和事件驱动视觉等各种任务。
-
脉冲神经网络在视觉地点识别方面得到改进 · 跟踪到2个来源
研究人员开发了一种使用PyTorch和snnTorch进行视觉地点识别的脉冲神经网络（SNN）的新实现。这种离散的、张量原生的方法旨在提高精确率100%时的召回率（R@100P），这是可靠自主导航的关键指标，而目前的基于STDP的模型难以达到。该研究探讨了特定的实现决策，如神经元分配、状态重置和速度补偿滑动窗口聚合，并证明这些因素对性能有显著影响。
-
新的MLIR方言将脉冲神经网络编译为C
研究人员开发了SNN-MLIR，一个新颖的MLIR方言，旨在将脉冲神经网络（SNN）从通用的中间表示（NIR）编译为C代码，以便在裸机上部署。该工具通过提供统一的编译器表示来解决SNN训练框架碎片化的问题，该表示同时支持浮点和量化数据。该系统包括一个读取NIR文件的Python前端和一个生成自包含C11代码的降低（lowering）过程，目前支持CPU目标上的前馈、全连接网络。
-
脉冲神经网络在高效网络入侵检测方面展现出潜力
研究人员评估了各种脉冲神经网络（SNN）配置在网络入侵检测中的应用，旨在寻找计算密集型深度学习模型的轻量级替代方案。他们的研究涉及在四个基准数据集上测试了27种神经元模型和脉冲编码方案的变体。研究结果表明，脉冲编码方法比神经元模型更关键，其中延迟编码的性能优于速率编码和delta编码。
-
NeuroTrain框架调研和基准测试SNN学习规则
研究人员推出NeuroTrain，一个用于基准测试脉冲神经网络（SNN）训练算法的开源框架。该框架提供了SNN训练方法的统一分类，根据生物学启发、计算结构和硬件适用性进行分类。通过在模块化系统中实现各种算法，NeuroTrain旨在促进可复现的研究，并为高效SNN训练确定有前景的未来方向。