一种兼容神经形态处理器的误差传播脉冲神经网络

脉冲神经网络在为低功耗传感处理和边缘计算硬件平台设计方面已展现出巨大前景。然而，在此类架构上实现片上学习算法仍是一项开放挑战，尤其对于依赖反向传播算法的多层网络。在本文中，我们提出一种基于脉冲的学习方法，其利用局部权重更新机制近似反向传播，并且兼容混合信号模拟/数字神经形态电路。我们引入一种网络架构，使突触权重更新机制能够跨层反向传播误差信号，并给出一个可训练以区分两种具有相同平均发放率但不同脉冲时序的基于脉冲的模式网络。该工作朝向设计具有片上学习电路的超低功耗混合信号神经形态处理系统迈出第一步，此类系统可被训练以识别不同的脉冲活动时空模式（例如由基于事件的视觉或听觉传感器产生）。