MT-Spike：一种具有时间误差反向传播的多层基于时间的脉冲神经形态架构
神经与进化计算
2018-03-15 v1 神经元与认知
摘要
现代深度学习驱动的人工神经网络，如深度神经网络（DNN）和卷积神经网络（CNN），已在广泛的识别应用上取得一系列突破性记录。然而，此类深度且复杂的神经网络模型所带来的巨大计算与存储需求，极大挑战了它们在资源受限平台上的实现。基于时间的脉冲神经网络近来已成为神经形态计算系统设计中有前景的方案，可在单芯片内实现卓越的计算与功耗效率。然而，相关研究活动一直狭隘地集中于生物合理性与理论学习途径，导致神经处理效率低下且难以进行多层扩展，从而在处理实际认知任务时严重限制了速度与精度。本工作提出一种实用的多层基于时间的脉冲神经形态架构“MT-Spike”以填补此空白。借助所提出的实用时间编码方案、平均延迟响应模型、时间误差反向传播算法与启发式损失函数，“MT-Spike”通过灵活的神经模型规模缩减实现了更高效的神经处理，同时对实际识别任务提供了极具竞争力的分类精度。仿真结果充分验证了深度多层学习的算法能力可与基于时间的脉冲神经形态架构的高效性无缝融合，展示了“MT-Spike”在资源与功耗受限的嵌入式平台中的巨大潜力。
引用
@article{arxiv.1803.05117,
title = {MT-Spike: A Multilayer Time-based Spiking Neuromorphic Architecture with Temporal Error Backpropagation},
author = {Tao Liu and Zihao Liu and Fuhong Lin and Yier Jin and Gang Quan and Wujie Wen},
journal= {arXiv preprint arXiv:1803.05117},
year = {2018}
}
备注
36th International Conference On Computer Aided Design (ICCAD 2017)