融合神经形态计算的脑启发全局-局部学习

目前存在两条主要的学习方法路线，包括误差驱动的全局学习和面向神经科学的局部学习。将它们集成到同一个网络中，可为多种学习场景提供互补的学习能力。与此同时，神经形态计算前景广阔，但仍需要大量有用的算法及算法-硬件协同设计以发挥其优势。在此，我们报道一种神经形态混合学习模型，通过引入脑启发的元学习范式以及融合神经元动力学与突触可塑性的可微分脉冲模型。该模型能够元学习局部可塑性，并接收自上而下的监督信息以实现多尺度协同学习。我们在多个不同任务中展示了该模型的优势，包括神经形态视觉传感器中的少样本学习、持续学习和容错学习。其性能显著优于单一学习方法，并展现出推动神经形态应用变革的潜力。我们进一步在 Tianjic 神经形态平台上通过算法-硬件协同设计实现了该混合模型，并证明该模型可充分利用神经形态多核架构发展混合计算范式。