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 neuromorphic engineering 90%
- instance of Leaky Integrate and Fire Neuron by Charge-Discharge Dynamics in Floating-Body MOSFET. 90%
- instance of spiking neural network 90%
- used by snnTorch 90%
- instance of LIF 90%
- instance of SNNS 90%
- competes with artificial neural network 70%
9 天有情绪数据
-
受生物启发的脉冲神经网络方法可提高效率和准确性
研究人员开发了新颖的受生物启发的脉冲编码方法和优化技术,以提高脉冲神经网络(SNN)的能效和准确性。通过将这些方法与自适应阈值代理梯度和二阶优化相结合,该研究在容量受限的情况下展示了显著的收益。在MNIST和Fashion-MNIST数据集上的实验表明,基于生物学原理的预处理可以在不增加模型尺寸的情况下,缩小SNN与传统深度网络之间的准确性差距。
-
新框架模拟仿生神经网络中的反相同步
研究人员开发了一个新框架,用于识别和稳定专为运动控制设计的仿生脉冲神经网络中的反相同步。该框架使用复合同步指标,该指标考虑了相位相干性、幅度平衡和时间稳定性。研究发现,刺激类型是决定网络动态状态的主要因素,其中持续驱动对于鲁棒的反相同步最有效,而突触配置则微调稳定性。
-
新的脉冲驱动跟踪器EM-SDTrack提高了事件相机的效率
研究人员开发了EM-SDTrack,一种专为事件相机设计的新型脉冲驱动跟踪系统。事件相机以其稀疏输出和在神经形态硬件上的高效率而闻名。该系统通过引入脉冲驱动多尺度交互(SDMI)和二元脉冲采样(DSS)来解决多尺度目标表示的挑战,从而在单次脉冲传递中实现高效的跨尺度交互。为了在资源有限的边缘设备上部署,研究人员使用极性优先蒸馏(PPD)和极性引导曲率蒸馏(PGCD)创建了一个精简版本EM-SDTrack,该版本在显著降低能耗和参数数量…
-
MADSNet 通过高效神经网络增强脉冲相机图像重建
研究人员开发了 MADSNet,这是一种新颖的脉冲神经网络,用于从脉冲相机数据重建图像。该网络利用多尺度轴向注意力密集架构来改进特征提取和重用,在图像重建保真度方面优于现有方法。与以前的方法相比,MADSNet 在计算效率方面也取得了显著的进步,实现了显著更低的延迟和能耗。
-
脉冲神经网络研究探索物联网传感效率
这项实证研究调查了不同的脉冲编码方法如何影响物联网(IoT)设备上脉冲神经网络(SNNs)的能效和准确性。研究人员使用NVIDIA Jetson AGX Orin等硬件,分析了包括无线、惯性和触觉在内的各种传感模态。研究结果表明,编码器的选择会显著影响能耗、延迟和识别准确性,为基于信号结构和特定任务的误差容忍度优化边缘传感系统提供了见解。
-
新的脉冲神经网络架构提升学习效率
研究人员正在探索脉冲神经网络(SNNs)的新架构,以提高其效率和能力。一种方法引入了模仿生物模块化和循环结构的社区循环SNNs(CoRe SNNs),该方法在强化学习任务中显示出与前馈方法相媲美甚至超越的潜力。另一项开发提出了一种受神经活动同步启发的局部学习框架,该框架绕过了计算成本高昂的随时间反向传播,从而在图像分类等任务上实现更快、更节能的训练。此外,还提出了一个受肌肉启发的模型,用于将SNN脉冲序列转换为连续信号,并在语音合成等…
-
人工智能框架利用神经形态计算进行电力电子监测
研究人员开发了一种新颖的人工智能框架,用于电力电子的状态监测,该框架利用了基于脉冲的神经形态计算。该方法将神经计算与电路原理相结合,将交流电流信号编码为基于RC的脉冲神经元的膜电位。该系统旨在实现高能效和适应性,仅依靠三相交流电流测量来估算器件参数,从而实现数据量少的状态监测。
-
新型KvLIF神经元模型提升脉冲神经网络的容量和鲁棒性
研究人员开发了一种名为钾离子调节LIF(KvLIF)的新型神经元模型,以提高脉冲神经网络(SNNs)的性能和鲁棒性。该模型受生物钾离子通道的启发,引入了一种自适应机制,该机制根据膜电位和放电历史调整神经元的兴奋性和重置动态。KvLIF模型旨在通过提高信息容量和降低对噪声的敏感性,来增强SNNs在节能实时边缘计算中的应用,这在静态图像和神经形态数据集的评估中得到了证明。
-
神经网络中的量子相干性与4D视听场景生成研究
一项新研究探讨了在脉冲神经网络中使用量子相干性来增强质子转移,这是神经形态计算中的一个关键过程。另外,“Technomantics”的一项新进展展示了通过将SonoWorld4D应用于视频数据来生成感知式4D视听场景,旨在实现声音源与时间信息的对齐。
-
量子物理探索生物学与计算学的新前沿
研究人员正在探索量子现象在推进生物学和计算学领域的潜力。一个关注点是利用微管内的量子相干性,这可能在生物系统中带来重大突破。另一项进展涉及应用量子记忆来增强神经形态计算和脉冲神经网络。
-
新型混合忆阻器架构推动神经形态计算发展
Dang 等人发表的一篇新论文介绍了一种用于神经形态计算的新型混合忆阻器架构。该架构代表着一项重大进展,有可能通过整合量子认知和脉冲神经网络来彻底改变决策过程。
-
脉冲神经网络通过节能学习推动神经形态计算发展
研究人员开发了脉冲神经网络(SNN),显著推动了神经形态计算的发展。这些SNN展示了节能学习能力,并融入了持续疲劳和长期记忆机制。这一突破有可能彻底改变神经形态工程领域。
-
神经调质提高了神经形态硬件上脉冲神经网络的准确性
研究人员开发了一种新颖的方法,通过实现输入依赖性神经调质来增强混合信号神经形态硬件的性能。该技术允许固定的神经网络根据接收到的输入动态调整其参数,模仿生物大脑功能。当应用于神经形态处理器上的脉冲循环神经网络时,该方法在多个硬件实例中将语音数字分类准确率显著提高了 17 个百分点以上。
-
AI 发展新节点:连接主义与神经形态方法的探索
一本题为《AI 发展新节点》的新专著探讨了以 ChatGPT 为代表的现有连接主义 AI 与新兴的神经形态 AI 方法之间日益增长的紧张关系。该论文强调了当前 AI 模型巨大的能源需求,并将其与人脑的低功耗进行了对比。文章提出,脉冲神经网络(SNNs)作为一种神经形态 AI,通过局部学习和事件驱动计算提供了更节能的替代方案,并建议采用混合系统,以便利用两种方法的各自优势。
-
新方法探测忆阻器AI硬件中的隐私风险
研究人员开发了一种名为脉冲域模型逆转(SDMI)的新方法,用于分析忆阻器脉冲神经网络(SNNs)中的隐私泄露。该技术结合了变换期望(EOT)和代理梯度,通过随机模拟行为和不可微分的脉冲动力学来优化输入。跨四个数据集的实验表明,硬件变异性并不固有地保护隐私,因为重建保真度可能随着神经元阈值扰动而增加,而权重噪声可能减少泄露。研究结果表明,忆阻器SNN中的模型逆转泄露取决于硬件状态,不能仅凭模型准确性来推断。
-
新型脉冲神经网络实现视觉任务的群等变性
研究人员开发了GC-LIF,一种新颖的脉冲神经网络架构,它集成了群等变性以提高视觉任务的性能。这个新模型SGE-Net通过确保泄漏积分发放(leaky integrate-and-fire)神经元动力学不会破坏群等变卷积引入的等变性,解决了脉冲神经网络中的一个关键挑战。SGE-Net在包括MNIST和CIFAR-10在内的各种图像数据集上表现出优越的性能,在没有旋转数据增强的情况下训练时,其性能优于传统的脉冲神经网络。
-
新研究探讨硬件对AI隐私和学习的影响
两篇新的arXiv论文探讨了硬件感知模型反演和忆阻器脉冲神经网络(SNNs)中设备感知可塑性的复杂性。第一篇论文介绍了脉冲域模型反演(SDMI),用于评估忆阻器SNNs中的隐私泄露,发现硬件变异性可能意外地提高重构保真度,挑战了硬件缺陷本身具有隐私保护作用的观点。第二篇论文研究了状态相关的忆阻器动力学如何影响SNNs中的脉冲时序依赖可塑性(STDP),证明了设备感知的混合学习规则在MNIST和Fashion-MNIST上的准确性高于直…
-
SpikeAD: Multiplication-Free Neuromorphic Architecture for Energy-Efficient Object Detection
研究人员开发了SpikeAD,这是一种新颖的神经形态架构,专为空中平台的能效型小目标检测而设计。该架构利用脉冲神经网络(SNN),采用一种独特的方法,其中稀疏脉冲充当无乘法推理的控制信号,从而消除了传统的乘加运算。SpikeAD在VisDrone和DOTA等基准数据集上展示了改进的性能,实现了更高的平均精度均值,并能泛化到定向边界框。该设计已通过FPGA和ASIC上的硬件实现验证,为超低功耗神经形态处理器铺平了道路。
-
脉冲神经网络在抵抗模型窃取攻击方面表现出更强的韧性
一项发表在arXiv上的新研究探讨了脉冲神经网络(SNNs)与传统人工神经网络(ANNs)相比在安全性方面的影响。该研究使用MNIST和CIFAR-10等数据集,对两种网络上的四种常见模型窃取攻击(MSAs)进行了基准测试。结果一致表明,SNNs在抵抗这些攻击方面明显更具韧性,与在ANNs上训练的模型相比,代理模型的匹配度和对抗性可迁移性较低。这种增强的安全性归因于SNNs独特的基于脉冲和时间依赖的计算动态,使其成为敏感应用中更安全的选择。
-
脉冲神经网络:时间动态对隐私至关重要
研究人员分析了脉冲神经网络(SNNs)中隐私泄露的发生方式,SNNs 在神经元放电的时间编码信息。他们发现,受生物学启发的、类似爆发的放电模式可以在不影响准确性的情况下减少泄露,而规则的放电模式则不然。研究还揭示了这些模式的来源——无论是来自内在神经元动态还是外部噪声——都会显著影响隐私优势。观察到进化训练方法已达到接近随机的泄露水平,限制了时间动态对隐私的进一步改进。