用于脉冲神经网络回归的生物合理神经元模型分析
数值分析
2024-01-02 v1 数值分析
摘要
本文探讨了生物合理神经元模型对脉冲神经网络 (SNNs) 在回归任务中性能的影响。虽然 SNNs 在分类任务中广受认可，但其在科学机器学习和回归中的应用仍未得到充分探索。我们聚焦于 SNNs 的膜成分，比较了四种神经元模型：Leaky Integrate-and-Fire、FitzHugh-Nagumo、Izhikevich 和 Hodgkin-Huxley。通过使用 Euler 和 Runge-Kutta 4th-order 近似方案，我们研究了它们对 SNN 在函数回归任务中的准确性和效率的影响。我们展示了更具生物合理性的神经元模型如何提高 SNN 的准确性，同时减少系统中的脉冲数量。后者代表了在实际神经形态芯片上的能量增益，因为它直接反映了计算所需的能量量。
引用
@article{arxiv.2401.00369,
title = {Analysis of biologically plausible neuron models for regression with spiking neural networks},
author = {Mario De Florio and Adar Kahana and George Em Karniadakis},
journal= {arXiv preprint arXiv:2401.00369},
year = {2024}
}