神经形态处理器上多层脉冲神经网络的硬件内学习
神经与进化计算
2021-05-11 v1 分布式、并行与集群计算
新兴技术
摘要
尽管反向传播在机器学习中被广泛使用，但它不能直接应用于SNN训练，并且在模拟生物神经元和突触的神经形态处理器上也不可行。本工作提出了一种基于脉冲的反向传播算法，具有生物学上合理的局部更新规则，并使其适应神经形态硬件中的约束。该算法在Intel Loihi芯片上实现，使得多层SNN的低功耗硬件内监督在线学习成为可能，适用于移动应用。我们在MNIST、Fashion-MNIST、CIFAR-10和MSTAR数据集上测试了该实现，取得了有前景的性能和能效，并展示了利用该实现进行增量在线学习的可能性。
引用
@article{arxiv.2105.03649,
title = {In-Hardware Learning of Multilayer Spiking Neural Networks on a Neuromorphic Processor},
author = {Amar Shrestha and Haowen Fang and Daniel Patrick Rider and Zaidao Mei and Qinru Qiu},
journal= {arXiv preprint arXiv:2105.03649},
year = {2021}
}
备注
6 pages, 5 figures, accepted for Design Automation Conference (DAC) 2021