基于生物学信息的兴奋性与抑制性平衡实现脉冲神经网络训练的鲁棒性
神经与进化计算
2024-04-25 v1 新兴技术
摘要
脉冲神经网络从大脑的生物约束中汲取灵感，旨在为人工智能提供能效高的范式。然而，识别用于以稳健方式训练这些网络的指导原则存在挑战。此外，在纳入兴奋性和抑制性连接的生物约束后，训练变得更加困难。本文确定了若干关键因素，如较低的初始放电率和多样化的抑制性脉冲模式，这些因素决定了在各种兴奋性至抑制性神经元比例下，针对AI相关数据集训练脉冲网络的总体能力。结果表明，具有生物学上真实的80:20兴奋性至抑制性平衡的网络可以在低活动水平和噪声环境中可靠训练。此外，Van Rossum距离(一种脉冲序列同步性度量)为理解抑制性神经元增加网络对噪声鲁棒性提供了见解。本工作支持进一步的生物学信息驱动的大规模网络和高效能硬件实现。
引用
@article{arxiv.2404.15627,
title = {Biologically-Informed Excitatory and Inhibitory Balance for Robust Spiking Neural Network Training},
author = {Joseph A. Kilgore and Jeffrey D. Kopsick and Giorgio A. Ascoli and Gina C. Adam},
journal= {arXiv preprint arXiv:2404.15627},
year = {2024}
}