面向硬件实现的脉冲随机连接神经网络中放电阈值与学习阈值的同步步进控制

我们提出了一种用于脉冲随机连接递归神经网络（RNN）的内在塑性（IP）和突触塑性（SP）的硬件导向模型。虽然 RNN 已被证明在处理时序数据方面具有潜力，但网络架构的随机性常常导致性能下降。使用 IP 和 SP 实现的自组织机制可缓解这种下降，因此我们将这些功能编译到脉冲神经元模型中。为实现 IP 功能，我们在 RNN 中每个兴奋性神经元引入可变放电阈值，其活动随神经元活动的步进变化。我们还定义了用于 SP 的其他阈值，以与放电阈值同步，从而确定在接收到突触前沉aptic 脉冲时执行的突触更新的步进方向。我们通过使用公开可用的心电图对时序数据学习和异常检测进行仿真，展示了该模型的有效性。考虑到硬件实现，我们采用离散化的阈值和突触权重，表明这些参数可在合适的 RNN 架构设计下简化为二进制。这有助于减少具有 IP 和 SP 的神经系统电路的规模。