液态机中用于语音分类的硬件友好型突触阶数与时间尺度
音频与语音处理
2021-04-30 v1 神经与进化计算
声音
神经元与认知
摘要
液态机是受大脑启发的脉冲神经网络（SNNs），具有随机储备池连接以及仿生神经元与突触模型。储备池计算网络被提出作为深度神经网络的替代方案以解决时序分类问题。先前的研究表明，二阶（双指数）突触波形对实现 TI-46 语音数字识别的高精度至关重要。提出长时程（ms）仿生突触波形对紧凑且高能效的神经形态硬件而言是一项挑战。在本工作中，我们更全面地参数扫描下分析了突触阶数即：{\delta}（单时间步高输出）、零阶（有限脉宽的矩形）、一阶（指数衰减）与二阶（指数上升与衰减）以及突触时间尺度对储备池输出响应及 TI-46 语音数字分类精度的作用。我们发现最优工作点与储备池中脉冲活动的最优范围相关。此外，所提出的零阶突触与具生物合理性的二阶突触表现相当。这对电路设计者而言是显著放宽，因为突触是 SNN 存内实现中最丰富的组件。我们强调了零阶突触的模拟与混合信号实现的电路优势，通过消除运放与数模转换电路展示了面积与功耗消耗 2-3 个数量级的节省。这对完整神经网络实现具有主要意义，其聚焦于外围限制及克服它们的算法简化。
引用
@article{arxiv.2104.14264,
title = {Hardware-Friendly Synaptic Orders and Timescales in Liquid State Machines for Speech Classification},
author = {Vivek Saraswat and Ajinkya Gorad and Anand Naik and Aakash Patil and Udayan Ganguly},
journal= {arXiv preprint arXiv:2104.14264},
year = {2021}
}