Spiking neural networks
PulseAugur coverage of Spiking neural networks — every cluster mentioning Spiking neural networks across labs, papers, and developer communities, ranked by signal.
- instance of SpikeYOLO 95%
- developed by SpikeYOLO 95%
- instance of artificial neural network 90%
- instance of ScienceCast 90%
- instance of alphaXiv 90%
- instance of spiking neural network 90%
- used by snnTorch 90%
- instance of Leaky Integrate and Fire Neuron by Charge-Discharge Dynamics in Floating-Body MOSFET. 90%
- instance of SNNS 90%
- competes with artificial neural network 70%
- instance of Gotit.pub 70%
- used by CIFAR-100 70%
11 天有情绪数据
-
新框架统一了强化学习和随机过程
一篇新论文引入了“驱动式过程”来统一随机过程和强化学习的视角。该框架应用于脉冲神经网络，证明了最小化策略驱动和奖励驱动分布之间的Kullback-Leibler散度等同于最大熵强化学习。该研究由Shaowei Lin撰写，于2025年10月30日提交至arXiv。
-
新方法解决了低时间步长脉冲神经网络中的共模误差问题
研究人员发现，在低模拟时间步长下运行时，共模误差是深度脉冲Q网络（DSQNs）的一个主要限制因素。这些跨动作值共享的误差严重阻碍了时间差学习。为解决此问题，他们提出了一种共模补偿深度脉冲Q网络（CMC-DSQN），该网络使用一个辅助人工神经网络来纠正这些误差。这种方法可以直接从SNN输出进行高效推理，在保持能效的同时，在Atari和MiniAtar环境中取得了显著的性能提升，在更高时间步长下甚至超过了现有的DSQNs和ANN基线。
-
新的双向脉冲基蒸馏技术赋能设备端SNN学习
研究人员开发了双向脉冲基蒸馏（BSD）技术，这是一种新颖的设备端脉冲神经网络（SNN）学习方法，允许它们在推理时进行适应。该方法利用两个独立的通路：一个由刺激驱动的前向网络和一个由目标驱动的后向网络，在本地对齐它们的中间表示。BSD能够同时进行前向推理、后向推理和分阶段更新，与标准反向传播相比，显著降低了预期的训练延迟和能耗。该方法在各种基准测试中保持了接近反向传播基线的性能，并展示了对少样本类别增量学习的强大迁移能力。
-
新方法利用膜电位实现脉冲神经网络的低计算量分布外检测
研究人员开发了一种名为 Vmem-φ 的新方法，用于在脉冲神经网络 (SNN) 中检测分布外 (OOD) 数据。SNN 在处理事件相机数据方面具有能效优势。该方法利用从神经元亚阈值膜电位派生的统计数据，提供了一种低计算量的解决方案。引入了一个基于 Prophesee Gen1 数据集的新基准 Gen1-C 来评估该方法，该方法在有限的观察窗口内，在多种损坏情况下实现了超过 0.88 的 AUROC。
-
SpikeMoE：脑启发式脉冲神经网络集成专家混合模型以实现能效
研究人员开发了SpikeMoE，一个结合了脉冲神经网络（SNNs）和专家混合模型（MoE）的新框架，用于更灵活和节能的神经网络架构。SpikeMoE受大脑海马体CA1区竞争性神经过程的启发，使用基于脉冲的路由器根据神经活动选择专家。在视觉、语言和多模态任务上的实验表明，SpikeMoE在SNNs中取得了最先进的成果，媲美或超越了传统人工神经网络，并展示了处理缺失数据的鲁棒性。
-
新的脉冲对比注意力模块提高了变换器的效率
研究人员开发了一种名为脉冲对比注意力（SCA）的新模块，以提高脉冲变换器（一种节能神经网络）的性能。通过分析这些网络的频谱特性，他们发现它们充当低通滤波器，丢失高频信息。SCA通过模仿生物视觉系统的边缘检测能力，使用对比原型和差分细化来增强高频分量，从而解决这个问题。该模块在图像分类和语义分割等各种任务中都显示出持续的改进，同时与现有方法相比，保持了较低的复杂性和卓越的效率。
-
脉冲神经网络增强实时量子比特读出
研究人员开发了一种使用脉冲神经网络（SNN）的新方法，用于在量子处理器中更快、更准确地分配量子比特状态。这些SNN实时处理测量数据，在获取读出信号时提供不断变化的分类分数。这种流式处理能力优于传统的匹配滤波技术，并且在准确性上接近全轨迹人工神经网络，有潜力在FPGA硬件上实现低延迟、实时的量子比特读出。
-
新的编码方法增强了脉冲神经网络的对抗鲁棒性
研究人员开发了一种名为可控随机量化编码的新方法，以提高脉冲神经网络（SNNs）的对抗鲁棒性。该技术在输入编码阶段引入了可控的随机性，已被证明比单独的现有基于训练的防御更有效。该方法概括了现有的编码技术，并在CIFAR-10和CIFAR-100图像分类任务上取得了积极成果。
-
LLM引导进化搜索原生脉冲神经网络架构
研究人员开发了OpenArchEvo，一个利用大型语言模型（LLM）进化脉冲神经网络（SNN）原生神经架构的新颖系统。与改编现有的人工神经网络（ANN）设计的传统方法不同，OpenArchEvo探索开放程序空间，从而能够发现专门针对脉冲计算优化的架构。该方法旨在提高SNN在序列建模任务中的能效和性能。该系统使用三视图表示（代码、原理、行为指纹）来估计新颖性和预测性能，从而降低了发现新架构的计算成本。
-
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…
-
Mask IPL 通过无噪声位置学习增强了基于事件的跟踪
研究人员推出 Mask IPL，一种用于事件驱动的基于脉冲的跟踪的无噪声内在位置学习的新方法。该技术通过分析和改进内在位置学习 (IPL) 与多阶段卷积之间的协同作用，增强了脉冲神经网络 (SNN) 的有效性。Mask IPL 利用计算图裁剪方法在前向和后向传播中消除噪声，而无需添加参数或增加计算成本。改进后的方法已展示出增强的性能，尤其是在 FE108、FELT 和 VisEvent 等数据集上提高了跟踪器的 AUC。
-
AI研究探索神经网络的“打盹”机制以平衡准确性和复杂性
研究人员探索了一种新颖的循环脉冲神经网络（SNN）“打盹范式”，其灵感来源于生物体的睡眠机制。该方法结合了比例权重缩放和连续随机膜活动，以调节模型准确性和简洁性之间的平衡。在对Gabor预处理的MNIST数据进行的实验表明，这种打盹技术可以达到传统权重归一化的准确性，同时可能增强表示结构，特别是在模型复杂性降低比原始分类效率更受重视的情况下。
-
新框架将网络事件映射到脉冲神经网络以进行异常检测
研究人员开发了一种新颖的事件原生符号-时序脉冲编码框架，专为异构网络流设计。该框架将各种网络事件直接映射到稀疏、脉冲兼容的输入，保留了类别语义和时序动态。在网络IDS和CAN IDS上进行测试，该方法使循环脉冲神经网络（SNNs）在面向边缘的硬件约束下实现高异常检测性能，混合指标最高可达0.987。
-
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。
-
新的NIO Bench框架评估机器学习工作负载的存储性能
一个名为NIO Bench的新框架已被开发出来，用于评估各种机器学习工作负载的存储系统性能。该框架通过跟踪I/O模式，分析了六种不同的ML模型架构，包括语言Transformer、视觉Transformer和扩散模型。研究发现，数据准备、模型加载和检查点是I/O最密集的部分，而分布式存储缓存未命中时的读取尾部延迟是一个重要的瓶颈。
-
新型梯度穿隧算法解决神经网络微环路反馈学习问题
研究人员开发了一种新颖的梯度穿隧（GT）算法，以解决神经网络微环路（NMCs）中的时间信用分配挑战。该新框架利用了超前滞后展开技术，从局部突触脉冲时序中获得学习信用，为大脑的学习机制提供了生物学上可信的解释。GT算法实现了NMCs的在线反馈学习框架，在长时程证据整合和记忆保持方面表现优于现有方法，同时使用的参数更少。该方法也兼容混合人工神经网络（ANN）和脉冲神经网络（SNN）架构。
-
新框架比较ANN和SNN的能效
已开发出一个新的分析框架，用于比较人工神经网络（ANN）和脉冲神经网络（SNN）在时间序列数据上的能效。该框架对表达能力进行了归一化，揭示了SNN并非总是比ANN更节能。分析确定了事件驱动计算在SNN中可以抵消时间开销的特定模式，为设计节能型时序网络提供了原则。
-
神经形态语音识别使用新颖的脉冲编码实现99.77%的准确率
研究人员开发了一种通过将音频数据编码为脉冲以供脉冲神经网络（SNNs）处理的高效神经形态语音识别新方法。该方法旨在降低人工智能系统的能耗。该研究首次对TIMIT数据集进行了端到端的神经形态脉冲编码和评估，在Heidelberg Digits基准测试中实现了99.77%的分类准确率。
-
新型脉冲神经网络用于人工耳蜗，能耗大幅降低
研究人员开发了一种新的人工耳蜗脉冲神经网络（SNN）模型，该模型在保持语音增强性能的同时，显著降低了能耗。该SNN受Deep ACE架构的启发，旨在提高人工耳蜗用户在嘈杂环境中的语音清晰度。与深度神经网络相比，所提出的模型能耗降低了六倍，使其更适合低功耗的人工耳蜗处理器。
-
新的 ANTShapes 数据集推动事件驱动的神经形态对象分类发展
研究人员推出 ANTShapes，一个用于生成和标记对象分类事件驱动视觉数据集的模拟工具。本文介绍了使用 ANTShapes 创建的四个新数据集，并使用卷积脉冲神经网络 (SNN) 将它们与 N-MNIST 和 CIFAR10-DVS 等已建立的数据集进行了基准测试。这项工作验证了 ANTShapes 的实用性，并为事件驱动的计算机视觉和神经形态计算的未来研究提供了宝贵的资源。