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.
3 天有情绪数据
-
新的脉冲神经网络架构增强了图像和事件流处理 · 跟踪3个来源
研究人员开发了一种新颖的脉冲神经网络（SNN）架构，称为多深度时间融合（MDTF），旨在通过首次脉冲到达时间延迟来处理静态图像和事件流。这种新设计集成了类似残差的连接和多深度特征聚合，在对齐时保留早期时间证据，同时纳入更深层的特征。MDTF框架在多个基准数据集上得到了验证，包括MNIST、Fashion-MNIST、CIFAR-10和N-MNIST，在完全局部学习机制下展现出强大的分类性能，并在变异性更高的任务上优于传统的STDP/R…
-
新型忆阻器突触实现脉冲神经网络在线学习
研究人员开发了一种模拟忆阻器突触电路，用于脉冲神经网络（SNN）的在线学习。该电路能够直接从突触前和突触后脉冲进行渐进式电导更新，从而在网络正常运行时无需外部数字控制即可实现学习。在130 nm CMOS技术中的仿真表明，该突触能够适应电导变化，并在小型SNN中实现了无监督神经元特化。
-
新的监督赫布学习算法用于脉冲神经网络，性能优于STDP
研究人员开发了一种新的无梯度监督学习算法，用于脉冲神经网络（SNN），称为监督尖峰一致性依赖可塑性（Supervised SADP）。该方法直接将类别信息嵌入赫布可塑性计算中，这与先前使用奖励调制的做法不同。在基准数据集上，Supervised SADP 的性能优于奖励调制的尖峰时间依赖可塑性（STDP），在 MNIST 和 Fashion-MNIST 上实现了显著更高的准确率，并且训练速度更快。
-
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。
-
新研究表明局部突触规则可实现无反向传播的自监督学习
研究人员证明，局部突触学习规则，特别是尖峰时间依赖可塑性（STDP+）和稳态可塑性，可以有效地实现用于自监督学习的SIGReg梯度。该方法绕过了对传统反向传播、全局误差信号或标签信息的需要，仅依赖于局部放电统计和感官输入的时序连续性。该方法在合成聚类任务上显示出有希望的结果，并在按时间顺序排列的MNIST数据上达到了87.3%的线性探测准确率，表明其具有端到端功能的潜力。
-
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。