基于膜电位估计的时不变脉冲神经元
计算机视觉与模式识别
2024-12-31 v2
摘要
脉冲神经网络（SNN）的计算效率低，主要是由于膜电位的顺序更新导致的，尤其是在较长的编码周期相较于人工神经网络（ANN）时表现更为突出。这凸显了需要有效地并行化SNN计算以利用可用硬件并行性的需求。为此，我们提出了一种称为Membrane Potential Estimation Parallel Spiking Neurons（MPE-PSN）的并行计算方法，用于脉冲神经元，通过启用并行处理同时保留SNN的固有动态特征来增强计算效率。我们的 approach 在神经元密度较高时尤其适用于提高计算效率。经验实验表明，我们的方法在仿生数据集上实现了最先进（SOTA）的准确率和效率。代码已公开于\url{https://github.com/chrazqee/MPE-PSN}。
引用
@article{arxiv.2409.04978,
title = {Time-independent Spiking Neuron via Membrane Potential Estimation for Efficient Spiking Neural Networks},
author = {Hanqi Chen and Lixing Yu and Shaojie Zhan and Penghui Yao and Jiankun Shao},
journal= {arXiv preprint arXiv:2409.04978},
year = {2024}
}