MAP-SNN：将具有多重性、适应性与可塑性的脉冲活动映射至生物可信的脉冲神经网络
神经与进化计算
2022-10-11 v1 神经元与认知
摘要
脉冲神经网络（SNN）因模仿人脑基本机制而被视为更具生物真实性与功耗效率。近来，利用深度学习框架的基于反向传播（BP）的 SNN 学习算法已取得良好性能。然而，那些基于 BP 的算法在一定程度上忽视了生物可解释性。为迈向生物可信的基于 BP 的 SNN，我们在建模脉冲活动时考虑三种性质：多重性（Multiplicity）、适应性（Adaptability）与可塑性（Plasticity）（MAP）。在多重性方面，我们提出具有多重脉冲传输的多重脉冲模式（MSP）以增强离散时间迭代下的模型鲁棒性。为实现适应性，我们在 MSP 下采用脉冲频率适应（SFA）以减少脉冲活动、提升效率。对于可塑性，我们提出可训练的卷积突触，对脉冲响应电流建模，以增强脉冲神经元在时序特征提取上的多样性。所提 SNN 模型在神经形态数据集 N-MNIST 和 SHD 上取得了有竞争力的性能。此外，实验结果表明所提三方面对脉冲活动的迭代鲁棒性、脉冲效率与时序特征提取能力具有重要意义。总之，本工作提出了一种将具 MAP 的生物启发脉冲活动的可行方案，为将生物特性嵌入脉冲神经网络提供了新颖的神经形态视角。
引用
@article{arxiv.2204.09893,
title = {MAP-SNN: Mapping Spike Activities with Multiplicity, Adaptability, and Plasticity into Bio-Plausible Spiking Neural Networks},
author = {Chengting Yu and Yangkai Du and Mufeng Chen and Aili Wang and Gaoang Wang and Erping Li},
journal= {arXiv preprint arXiv:2204.09893},
year = {2022}
}