用于脉冲神经形态系统的事件驱动对比散度
神经与进化计算
2015-11-17 v3 神经元与认知
摘要
受限玻尔兹曼机（RBM）和深度信念网络已被证明在降维、特征学习和分类等多种应用中表现高效。将其在模拟大规模脉冲神经元网络的神经形态硬件平台上实现，在可扩展性、功耗和与环境实时交互方面具有显著优势。然而，传统的 RBM 架构和常用的训练算法（即对比散度，CD）基于离散更新和精确算术，无法直接映射到动态神经基底上。在此，我们提出了一种事件驱动的 CD 变体，用于训练由积分 - 发放（I&F）神经元构成的 RBM，该训练受限于现有及近期神经形态硬件平台的局限性。我们的策略基于神经采样，使我们能够合成一个从目标玻尔兹曼分布中采样的脉冲神经网络。网络的循环活动取代了 CD 算法的离散步骤，而脉冲时间依赖可塑性（STDP）则以在线、异步的方式执行权重更新。我们通过训练一个由具有 STDP 突触的漏液 I&F 神经元组成的 RBM 来学习 MNIST 手写数字数据集的生成模型，并在识别、生成和线索整合任务中对其进行测试，从而展示了我们的方法。我们的结果有助于一种机器学习驱动的方法，用于合成能够执行实用高级功能的脉冲神经元网络。
引用
@article{arxiv.1311.0966,
title = {Event-Driven Contrastive Divergence for Spiking Neuromorphic Systems},
author = {Emre Neftci and Srinjoy Das and Bruno Pedroni and Kenneth Kreutz-Delgado and Gert Cauwenberghs},
journal= {arXiv preprint arXiv:1311.0966},
year = {2015}
}
备注
(Under review)