一种反馈控制优化器用于突发神经网络的在线硬件感知训练
神经与进化计算
2026-02-17 v1 人工智能
摘要
与传统人工神经网络（ANN）不同，生物神经网络能够以稀疏的神经活动、循环连接和局部学习规则解决复杂的认知任务。这些机制作为神经器计算中的设计原则，旨在解决现代计算中能源消耗的关键挑战。然而，大多数混合信号神经器设备依赖半监督或非监督学习规则，在监督学习任务中对硬件优化效果不佳。由于缺乏可扩展的芯片内学习解决方案，混合信号设备实现可持续智能边缘系统的潜力受到限制。为应对这些挑战，我们提出了一种用于混合信号设备上的突发神经网络（SNN）的新型学习算法，将基于脉冲的权重更新与反馈控制信号相结合。在我们的框架中，一个突发控制器生成反馈信号以引导SNN活动并驱动权重更新，实现可扩展且局部的芯片内学习。我们首先在各种分类任务上评估该算法，表明使用反馈控制训练的单层SNN在性能上与人工神经网络（ANN）相当。随后我们评估其在混合信号神经器设备上的实现，通过测试连续在线学习场景中的网络性能并评估对超参数不匹配的鲁棒性。我们的结果表明，反馈控制优化器与神经器应用相兼容，推动了边缘应用中可扩展芯片内学习解决方案的潜力。
引用
@article{arxiv.2602.13261,
title = {A feedback control optimizer for online and hardware-aware training of Spiking Neural Networks},
author = {Matteo Saponati and Chiara De Luca and Giacomo Indiveri and Benjamin Grewe},
journal= {arXiv preprint arXiv:2602.13261},
year = {2026}
}