混合信号神经形态建模平台中网络级异常的表征与补偿
神经元与认知
2015-02-11 v2 无序系统与神经网络
神经与进化计算
摘要
神经网络模型规模和复杂性的提升导致对其仿真计算资源的需求不断增加。神经形态器件相较于传统计算架构具有诸多优势，如高仿真速度或低功耗，但这通常以降低可配置性和精度为代价。本文调查了神经形态器件中常见的几个因素所带来的后果，具体包括有限的硬件资源、有限的参数可配置性以及参数变化。我们的最终目标是提供一系列方法来应对这些不可避免的失真机制。作为测试我们提出策略的平台，我们使用了 BrainScaleS 神经形态系统的可执行系统规范（ESS），该系统被设计为神经科学建模的通用仿真后端。我们详细解决了该器件最本质的局限性，并在明确定义的系统工作流中，研究了它们对三个原型基准网络模型的影响。对于每个网络模型，我们首先定义可量化的功能度量，以此评估典型硬件特定失真机制在理想化软件仿真和 ESS 上的影响。针对那些导致与原网络动力学产生不可接受偏差的影响，我们提出了通用补偿机制并证明了其有效性。所建议的工作流程和研究的补偿机制在很大程度上独立于后端，且不需要超出最初仿真基准网络所需的额外硬件可配置性。借此，我们为旨在仿真大规模功能神经网络的可配置神经形态器件提供了一个通用的方法学环境。
引用
@article{arxiv.1404.7514,
title = {Characterization and Compensation of Network-Level Anomalies in Mixed-Signal Neuromorphic Modeling Platforms},
author = {Mihai A. Petrovici and Bernhard Vogginger and Paul Müller and Oliver Breitwieser and Mikael Lundqvist and Lyle Muller and Matthias Ehrlich and Alain Destexhe and Anders Lansner and René Schüffny and Johannes Schemmel and Karlheinz Meier},
journal= {arXiv preprint arXiv:1404.7514},
year = {2015}
}