尖峰神经网络中贝叶斯推断的物理加速仿真
神经与进化计算
2020-04-02 v4 新兴技术
摘要
生物信息处理的海量并行特性对其优于人类设计的计算机设备起着重要作用。特别是，它可能掌握克服限制当代计算机架构的冯·诺依曼瓶颈的关键。物理模型神经形态器件试图不仅在模拟电路（仿真神经元与突触）中复制这种固有的并行性，还复制其微观动力学的各个方面。然而，这些机器所需的网络模型不仅要善于解决特定任务，还必须能应对模拟基底固有的不完善性。我们提出一种尖峰网络模型，在BrainScaleS神经形态平台上通过采样执行贝叶斯推断，并将其用于视觉数据的生成式与判别式计算。通过在该平台上展示其功能，我们间接证明了其对各种基底特异性畸变效应的鲁棒性，以及其加速计算能力。这些结果展示了受脑启发的物理计算的优势，并为大规模神经形态应用提供了重要构建模块。
引用
@article{arxiv.1807.02389,
title = {Accelerated physical emulation of Bayesian inference in spiking neural networks},
author = {Akos F. Kungl and Sebastian Schmitt and Johann Klähn and Paul Müller and Andreas Baumbach and Dominik Dold and Alexander Kugele and Nico Gürtler and Luziwei Leng and Eric Müller and Christoph Koke and Mitja Kleider and Christian Mauch and Oliver Breitwieser and Maurice Güttler and Dan Husmann and Kai Husmann and Joscha Ilmberger and Andreas Hartel and Vitali Karasenko and Andreas Grübl and Johannes Schemmel and Karlheinz Meier and Mihai A. Petrovici},
journal= {arXiv preprint arXiv:1807.02389},
year = {2020}
}
备注
This preprint has been published 2019 November 14. Please cite as: Kungl A. F. et al. (2019) Accelerated Physical Emulation of Bayesian Inference in Spiking Neural Networks. Front. Neurosci. 13:1201. doi: 10.3389/fnins.2019.01201