关于脉冲神经网络的计算能力与复杂性
计算复杂性
2020-01-24 v1 神经与进化计算
摘要
过去十年中，基于人工脉冲神经网络的神经形态架构兴起，例如 SpiNNaker、TrueNorth 和 Loihi 系统。这些架构中大规模并行以及计算与内存的就地共存，潜在地允许相比传统冯·诺依曼架构低数个数量级的能耗。然而，迄今为止，由于缺乏针对神经形态计算的正式机器模型与计算复杂性理论，与更传统计算架构（特别是在能耗方面）的比较受到阻碍。在本文中，我们朝此类理论迈出了第一步。我们引入脉冲神经网络作为一种机器模型，其中——与熟悉的图灵机相反——信息及其操作在机器中是共存的。我们引入典型问题，定义复杂性类层次，并给出一些初步的完备性结果。
引用
@article{arxiv.2001.08439,
title = {On the computational power and complexity of Spiking Neural Networks},
author = {Johan Kwisthout and Nils Donselaar},
journal= {arXiv preprint arXiv:2001.08439},
year = {2020}
}