Spike-based学习神经工程申请

背景
强化神经网络(SNN)密切模仿生物网络。信息处理发生在这两个空间和时间的方式,使SNN非常有趣的相关模拟生物大脑。生物大脑编码和传输的感官信息的峰值捕捉环境的空间和时间信息以惊人的精度。以异步方式处理这些信息的神经层执行复杂的时空模式的识别与毫秒级的延迟和功率预算的20 w的顺序。有效编码机制和异步飙升和稀疏信号的处理和通信似乎是关键的能源效率和生物大脑的高速计算能力。SNN低功耗和基于事件的计算使他们更具吸引力相比其他人工神经网络(ANN)。

在过去的几十年里,研究高效的实现传感器和处理器飙升。早,强化视觉传感器模拟不同类型的空间或时空过滤和编码的视觉刺激和遭受贫穷的准确性和低分辨率。动态视觉传感器代码视觉信号的时序变化,导致一个非常有效的,高分辨率的空间和时间分辨率的信号。这些传感器提供的视觉场景spike-coded压缩表示,在空间和时间冗余抑制。他们已经达到了像素的分辨率和引发了工业和学术社区的利益SNN系统。最近,飙升的集合为基础的传感器正在开发不同类型的传感模式(视觉、声音、触觉和嗅觉)。以类似的方式,早期SNN处理器仅限于低分辨率卷积处理器,已经取代了破坏性SNN处理器核心处理器,包括神经元可编程参数和行为模型,以及复杂的可编程路由器飙升和可重构的突触连接。

尽管SNN更高的潜在解决在一个有效的方式,复杂的感知问题涉及信号复杂时空行为,像手势识别、运动目标跟踪、音频识别等等…他们仍然表现不佳安甚至在更简单的问题如MNIST数字分类。原因是SNN训练方法需要处理更复杂的编码信号。安并不直接适用于SNN训练方法。此外,SNN训练是直接依赖的编码表示。培训SNN可以监督或无监督,使用不同的算法,再现不同的事件。在监督SNN训练方法的一些基础Back-Propagation-Through-Time (BPTT)但是他们需要记录的神经元膜电位的时间需要大内存和计算能力。最近,不同的近似方法计算权重更新提出了使用本地信息。实施和改进模型和培训SNN至关重要的改进现实和移动应用程序领域的神经形态计算。

目标
在这一研究主题,神经科学前沿——神经工程正在寻求雷竞技rebat解决的实现spike-based学习为了促进小说思想和推进的研究领域。

作者的范围和信息
我们特别欢迎提交原始研究,审查,方法,和观点文章以下(但不限于)副标题:

●有效穗时空信号的编码表示;
●高效spike-based传感器和传感器融合;
●神经形态架构实现spike-based学习规则;
●Spike-based认知算法;
●Neurobiology-inspired算法;
●Spike-based训练方法;
●硬件高效飙升算法;
●联想记忆;
●联合使用强化神经网络学习;
●Multi-timescale学习;