飙升的神经网络的理论发展和实际应用

过去十年见证了一个巨大的新的兴趣,在学术界和产业界,人工智能和更一般的系统能够模拟人类和从经验中学习。这种兴趣也蔓延到其他领域的研究,与人工智能分享的接触点。在这种情况下,神经形态(NM)工程无疑受益于这一点。学术界和产业界现在意识到神经形态的存在,然而仍然有一个潜在的误解纳米是什么和它的能力。

纳米以来一直是学术界的一个研究课题的80年代,但只是在过去的十年里这个利基研究领域扩大到更大的研究团体。从一边,这种兴趣纳米揭示飙升的潜力一个新的神经网络(SNN),被认为是第三代的神经网络。从另一个角度来看,芯片制造商已经开始看替代计算架构,由于著名的制造业的局限性凸显了摩尔定律。这两个因素确实产生了视图的研究社区和工业纳米和SNN可以提供额外的好处目前可以通过深度学习(DL),在较低的交换(尺寸、重量和功率)。

然而,尽管当前状态的艺术在纳米和SNN似乎显然在这个方向,还有一个实际问题的广泛使用SNN在现实场景中,即一个明确的申请使用SNN依然没有出现。作为比较,例如,应用程序对象检测和识别等决定了深度的研究和部署大规模增长使用反向传播神经网络(款)。

尽管学术界和产业界潜力充分意识到和福利固有SNN的使用,仍有基本未被解答的问题,在很多情况下导致从用户怀疑SNN实际部署的应用程序和场景,利用更广泛的测试和信任backpropagation-based款。在行业肯定是这样,现在是相对简单的工程师没有一个强有力的背景DL寻找合适这款可以很容易地使用微小的调整。

这不是SNN。事实上,第一个障碍的使用SNN可用NM的相对缺乏数据,相比传统的传感数据用于DL。但更重要的是,有一个讨论有效地训练SNN的最佳方法和实践。再一次,例如,在款,反向传播一直在研究深度和它被证明是健壮的,款已经升高了这么多,硬件一直在努力迎头赶上。

方法模拟反向传播在飙升领域是可用的,但一些研究人员认为,SNN的根本优势之一就是从数据中提取时间信息的能力在一种无监督的方式。然而,这将导致明显的提问用户对鲁棒性的训练方法及其实际可行性,当涉及到实际应用和实现。

因此,在本研究课题我们欢迎相关文章,旨在解决上述问题的实际应用SNN,特别关注:

•有效的无监督方法培训SNN更大、更复杂的网络
•实用SNN在现实生活中应用程序的实现和场景
•基本应用程序充分利用所有SNN的好处
•定量评估的交换配置文件减少SNN-based应用和实现