論文の概要: SPAIC: A Spike-based Artificial Intelligence Computing Framework
- arxiv url: http://arxiv.org/abs/2207.12750v1
- Date: Tue, 26 Jul 2022 08:57:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 12:23:44.556400
- Title: SPAIC: A Spike-based Artificial Intelligence Computing Framework
- Title（参考訳）: SPAIC:スパイクベースの人工知能コンピューティングフレームワーク
- Authors: Chaofei Hong, Mengwen Yuan, Mengxiao Zhang, Xiao Wang, Chegnjun Zhang,
Jiaxin Wang, Gang Pan, Zhaohui Wu, Huajin Tang
- Abstract要約: 本稿では,Python ベースのスパイキングニューラルネットワーク (SNN) シミュレーションおよびトレーニングフレームワーク SPAIC を提案する。
ディープラーニングと神経科学の両方の機能と統合された、脳にインスパイアされたモデルとアルゴリズムの研究をサポートすることを目指している。
ニューラルサーキット、深層SNN学習、ニューロモルフィック応用など、さまざまな例を挙げる。
- 参考スコア（独自算出の注目度）: 22.133585707508963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuromorphic computing is an emerging research field that aims to develop new
intelligent systems by integrating theories and technologies from
multi-disciplines such as neuroscience and deep learning. Currently, there have
been various software frameworks developed for the related fields, but there is
a lack of an efficient framework dedicated for spike-based computing models and
algorithms. In this work, we present a Python based spiking neural network
(SNN) simulation and training framework, aka SPAIC that aims to support
brain-inspired model and algorithm researches integrated with features from
both deep learning and neuroscience. To integrate different methodologies from
the two overwhelming disciplines, and balance between flexibility and
efficiency, SPAIC is designed with neuroscience-style frontend and deep
learning backend structure. We provide a wide range of examples including
neural circuits Simulation, deep SNN learning and neuromorphic applications,
demonstrating the concise coding style and wide usability of our framework. The
SPAIC is a dedicated spike-based artificial intelligence computing platform,
which will significantly facilitate the design, prototype and validation of new
models, theories and applications. Being user-friendly, flexible and
high-performance, it will help accelerate the rapid growth and wide
applicability of neuromorphic computing research.
- Abstract（参考訳）: ニューロモルフィックコンピューティング(neuromorphic computing)は、神経科学やディープラーニングといった多分野からの理論や技術を統合して、新しい知的システムを開発することを目的とした、新たな研究分野である。
現在、関連分野向けに様々なソフトウェアフレームワークが開発されているが、スパイクベースのコンピューティングモデルとアルゴリズムに特化した効率的なフレームワークが欠けている。
本研究では,深層学習と神経科学の両方の機能と統合された脳モデルとアルゴリズムの研究を支援することを目的とした,Pythonベースのスパイクニューラルネットワーク(SNN)シミュレーションとトレーニングフレームワークであるSPAICを提案する。
二つの圧倒的な分野と異なる方法論を統合し、柔軟性と効率のバランスをとるために、spaicは神経科学スタイルのフロントエンドとディープラーニングのバックエンド構造で設計されている。
我々は,ニューラルネットワークシミュレーション,深層SNN学習,ニューロモルフィックアプリケーションなどの幅広い例を提供し,簡潔なコーディングスタイルとフレームワークの幅広いユーザビリティを実証した。
SPAICはスパイクベースの人工知能コンピューティングプラットフォームであり、新しいモデル、理論、アプリケーションの設計、プロトタイプ、検証を著しく促進する。
ユーザフレンドリーでフレキシブルでハイパフォーマンスであるため、ニューロモルフィックコンピューティング研究の急速な成長と幅広い適用性を促進するのに役立つだろう。
関連論文リスト
- Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳（メタデータ） (2023-10-25T13:15:17Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Implementing Spiking Neural Networks on Neuromorphic Architectures: A
Review [0.19573380763700707]
我々は,ニューロモルフィックコンピューティングのシステムソフトウェア技術分野における将来が持つ課題と機会を強調する。
プラットフォームベース設計とハードウェア・ソフトウェア共同設計の両方に提案されているフレームワークの概要について概説する。
論文 参考訳（メタデータ） (2022-02-17T21:00:59Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - NeuroXplorer 1.0: An Extensible Framework for Architectural Exploration
with Spiking Neural Networks [3.9121275263540087]
本稿では、ニューロモルフィックアーキテクチャをモデル化するための一般化テンプレートに基づくフレームワークであるNeuroXplorerを提案する。
NeuroXplorerは、低レベルのサイクル精度アーキテクチャシミュレーションと、データフローの抽象化による高レベルの解析の両方を実行することができる。
我々は,多くの最先端機械学習モデルを用いたケーススタディを通じて,NeuroXplorerのアーキテクチャ探索能力を実証する。
論文 参考訳（メタデータ） (2021-05-04T23:31:11Z) - A deep learning theory for neural networks grounded in physics [2.132096006921048]
ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。
私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
論文 参考訳（メタデータ） (2021-03-18T02:12:48Z) - Brain-Inspired Learning on Neuromorphic Substrates [5.279475826661643]
本稿では、ニューロモルフィック基板のための実用的なオンライン学習アルゴリズムの設計のための数学的枠組みを提供する。
具体的には、リアルタイムリカレントラーニング(RTRL)と、スパイキングニューラルネットワーク(SNN)をトレーニングするための生物学的に妥当な学習規則との直接的な関連を示す。
我々はブロック対角ジャコビアンに基づくスパース近似を動機付け、アルゴリズムの計算複雑性を低減する。
論文 参考訳（メタデータ） (2020-10-22T17:56:59Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。