Spiking Heidelberg Digits
PulseAugur coverage of Spiking Heidelberg Digits — every cluster mentioning Spiking Heidelberg Digits across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探索脉冲神经网络的高级训练方法
近期 arXiv 上的两篇论文探讨了训练脉冲神经网络（SNNs）的高级技术。第一篇论文介绍了一个通用框架，通过引入额外的状态变量来整合延迟到 SNNs 中，增强其捕捉时间依赖性的能力，并在较小网络中显示出效率提升。第二篇论文提出了 Phase State Space Models，它将状态空间模型（State Space Models）适配于 SNNs 的并行和无替代训练，在一个与脉冲兼容的架构中整合了短时傅里叶变换（STFT）、循环…
-
新的开源框架助力SNN硬件设计与探索
一个新开发的开源框架，旨在辅助设计和探索用于节能神经形态计算的混合信号脉冲神经网络（SNN）。该框架构建于PyTorch之上，通过整合器件级非线性和支持多种神经元及突触模型，使研究人员能够模拟和优化SNN硬件。它已在标准基准测试上进行了评估，报告了分类准确性以及面积和功耗等面向硬件的指标。
-
新的开源框架助力SNN硬件设计探索
研究人员开发了一个开源框架，用于模拟和探索混合信号脉冲神经网络（SNN）的设计空间。该工具将器件级非线性直接集成到PyTorch中进行训练和推理，允许优化物理突触参数而非抽象权重。该框架支持多种神经元模型，包括Leaky Integrate-and-Fire、Hodgkin-Huxley和Axon-Hillock，以及非易失性模拟突触。它已在N-MNIST、DVS Gesture和Spiking Heidelberg Digits等基…