基于Loihi脉冲神经元的高速认知领域本体用于资产配置
摘要
认知智能体通常用于自主系统中的自动化决策。这些系统实时与其环境交互，并且通常受到严重的功耗约束。因此，迫切需要在低功耗平台上运行的实时智能体。所考察的智能体是认知增强复杂事件处理（CECEP）架构。这是一种像人类一样推理并实现增强的基于智能体决策的自主决策支持工具。它在包括自主系统、运筹学、情报分析和数据挖掘在内的广泛领域具有应用。CECEP的关键组成部分之一是从称为认知领域本体（CDO）的存储库中挖掘知识。CDO常被赋予的一项任务是资产配置。鉴于该分配问题中可能解的数量庞大，通过CDO确定最优解可能非常耗时。在本工作中，我们展示了一个由孤立脉冲神经元组成的网格能够快速生成该问题的解，尽管为实现加速需要一定程度的近似。然而，本工作提出的近似脉冲方法能够以大于99.9%的准确率完成所有分配仿真。为展示低功耗实现的可行性，该算法使用Intel Loihi多核神经形态处理器执行。鉴于速度的大幅提升（在较大分配问题中超过1000倍）以及计算需求的降低，所提算法非常适合于将资产配置迁移至低功耗、便携式嵌入式硬件。
引用
@article{arxiv.1906.12338,
title = {High Speed Cognitive Domain Ontologies for Asset Allocation Using Loihi Spiking Neurons},
author = {Chris Yakopcic and Nayim Rahman and Tanvir Atahary and Tarek M. Taha and Alex Beigh and Scott Douglass},
journal= {arXiv preprint arXiv:1906.12338},
year = {2019}
}
备注
Accepted and to appear in the proceedings of the 2019 IEEE-INNS International Joint Conference on Neural Networks. Citation: C. Yakopcic, T. Atahary, N. Rahman, T. M. Taha, A. Beigh, and S. Douglass, High Speed Approximate Cognitive Domain Ontologies for Asset Allocation Using Loihi Spiking Neurons, IEEE-INNS International Joint Conference on Neural Networks, Budapest, Hungary, July, 2019