一种用于关系推断的脉冲网络及其神经形态反向传播训练
神经与进化计算
2019-03-12 v1
摘要
在各类日常物品中对智能传感器日益增长的需求，要求存在能够在自身环境中自主运行的低功耗信息处理系统。特别是，高效融合与处理不同传感器的输出，是具备认知能力的移动智能体的一项必要要求。在这项工作中，我们提出了一种多层脉冲神经网络，用于在专用神经形态系统中推断刺激模式之间的关系。该系统使用一种新版本的反向传播算法进行训练，该算法适配于神经形态硬件上的片上学习：误差梯度被编码为脉冲信号，并通过对称突触传播，使用与前向传播期间相同的积分发放硬件基础设施。我们在算术关系推断任务以及 MNIST 数据集上的视觉 XOR 上展示了该方法的优势。与先前用于关系学习与推断的、受生物学启发的网络实现相比，我们的方法能够以更少的神经元实现更好的性能。我们的架构是首个具备片上学习能力的脉冲神经网络架构，能够对复杂视觉刺激执行关系推断。这些特性使我们的系统对传感器融合应用和自主神经形态智能体中的嵌入式学习具有吸引力。
引用
@article{arxiv.1903.04341,
title = {A Spiking Network for Inference of Relations Trained with Neuromorphic Backpropagation},
author = {Johannes C. Thiele and Olivier Bichler and Antoine Dupret and Sergio Solinas and Giacomo Indiveri},
journal= {arXiv preprint arXiv:1903.04341},
year = {2019}
}
备注
Accepted as a conference paper at IJCNN 2019