加速型模拟神经形态硬件系统上的结构可塑性
神经元与认知
2020-10-01 v2 神经与进化计算
摘要
在计算神经科学以及机器学习中，神经形态器件有望成为神经网络模拟的加速且可扩展的替代方案。其神经连接性与突触容量取决于具体的设计选择，但始终存在内在限制。在此，我们提出一种实现结构可塑性的策略，该策略通过持续重连前、后突触伙伴，同时保持神经元扇入恒定且连接组稀疏，在这些约束下优化资源分配。特别地，我们在模拟神经形态系统BrainScaleS-2上实现了该算法。其运行于芯片上定制的嵌入式数字处理器，该处理器伴随脉冲神经元与突触电路的混合信号基底。我们在简单的监督学习场景中评估了我们的实现，展示了其依据训练数据性质优化网络拓扑的能力，以及整体的计算效率。
引用
@article{arxiv.1912.12047,
title = {Structural plasticity on an accelerated analog neuromorphic hardware system},
author = {Sebastian Billaudelle and Benjamin Cramer and Mihai A. Petrovici and Korbinian Schreiber and David Kappel and Johannes Schemmel and Karlheinz Meier},
journal= {arXiv preprint arXiv:1912.12047},
year = {2020}
}