源自结构的鲁棒性：模拟神经形态硬件上分层脉冲网络的推理
神经元与认知
2017-07-12 v1 神经与进化计算
机器学习
摘要
脉冲网络如何能够执行概率推理是一个引人入胜的问题，不仅对于理解大脑中的信息处理，而且对于将这些计算原理转移到神经形态硅电路也是如此。已经提出了许多计算能力强大的脉冲网络模型，但其中大多数仅在理想条件下的软件仿真中进行了测试。任何在模拟物理系统中的实现，无论是在体内还是在硅片上，通常都会由于底层基板的物理特性而导致动力学失真。在本文中，我们讨论了几种难以或不可能通过经典校准程序或参数训练消除的此类失真效应。然后，我们论证分层泄漏积分-发放神经元网络可以为物理实现提供所需的鲁棒性，并通过软件仿真和在加速模拟神经形态设备上的仿真演示了这一点。
引用
@article{arxiv.1703.04145,
title = {Robustness from structure: Inference with hierarchical spiking networks on analog neuromorphic hardware},
author = {Mihai A. Petrovici and Anna Schroeder and Oliver Breitwieser and Andreas Grübl and Johannes Schemmel and Karlheinz Meier},
journal= {arXiv preprint arXiv:1703.04145},
year = {2017}
}
备注
accepted at IJCNN 2017