Spike-timing dependent plasticity
PulseAugur coverage of Spike-timing dependent plasticity — every cluster mentioning Spike-timing dependent plasticity across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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…
-
新的ITP-STDP引擎大幅降低SNN训练能耗
研究人员开发了一种名为ITP-STDP的新型学习引擎，用于训练脉冲神经网络（SNN），该引擎可显著降低硬件资源利用率和能耗。这种新颖的方法通过算法和硬件级别的增强来优化脉冲时序依赖可塑性（STDP）算法，这是SNN的核心组成部分。ITP-STDP在ASIC和FPGA平台上实现，与现有方法相比，在能效、运行速度和面积缩减方面均有显著改进。
-
反向传播在一个训练周期内损害神经网络与大脑的对齐
一项新的研究论文揭示，标准的监督训练方法，特别是反向传播，会迅速损害人工神经网络与人脑早期视觉皮层对齐的程度。这种损害在一个训练周期内就会发生，这表明由于固有的归纳偏置，未经训练的网络可能更有效地捕捉低级视觉统计信息。像预测编码和尖峰时间依赖可塑性这样的替代学习规则显示出较小的损害，在早期视觉表示中保留了更多类似大脑的结构。
-
AI学习规则与早期灵长类视觉一致，在较高区域出现分歧
研究人员发表了一项研究，比较了人工神经网络中的不同学习规则与人类和猕猴视觉处理过程的匹配程度。研究发现，早期视觉皮层的对齐在物种间是保守的，人工神经网络与猕猴电生理学数据的相关性高于与人类fMRI数据的相关性。然而，在IT皮层等较高视觉区域，学习规则的对齐排名在物种间存在显著差异，这表明模型容量和训练数据在这些区域比具体的学习规则起着更大的作用。
-
脉冲神经网络提出用于物体识别的时间编码
研究人员提出了一种利用脉冲神经网络中的时间编码进行物体识别的新方法，对千脑架构进行了重新诠释。该方法用秩序脉冲包取代了密集向量编码，其中神经事件的时间隐式地编码了空间信息和感觉运动位移。一种受生物学启发的学习规则，即尖峰时间依赖可塑性（STDP），用于编码遍历方向，并且一个自适应参数调整对早期与近期感觉接触的依赖程度。
-
研究发现，未经训练的卷积神经网络在V1区域与人类视觉皮层相匹配
一项发表在arXiv上的新研究调查了神经网络中不同的学习规则与人类大脑在视觉处理中的活动相比如何。研究人员发现，对于V1和V2等早期视觉区域，网络的架构比使用的学习规则更具影响力。然而，随着处理进入外侧枕叶复合体（LOC）和颞下回（IT）皮层等更高级别的区域，学习规则开始显示出差异，其中反向传播在LOC区域被证明更有效。