論文の概要: Spike-based local synaptic plasticity: A survey of computational models
and neuromorphic circuits
- arxiv url: http://arxiv.org/abs/2209.15536v1
- Date: Fri, 30 Sep 2022 15:35:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 15:23:12.919652
- Title: Spike-based local synaptic plasticity: A survey of computational models
and neuromorphic circuits
- Title(参考訳): スパイクに基づく局所シナプス可塑性:計算モデルとニューロモルフィック回路に関する調査
- Authors: Lyes Khacef, Philipp Klein, Matteo Cartiglia, Arianna Rubino, Giacomo
Indiveri, Elisabetta Chicca
- Abstract要約: シナプス可塑性のモデル化における歴史的,ボトムアップ的,トップダウン的なアプローチを概観する。
スパイクベース学習ルールの低レイテンシおよび低消費電力ハードウェア実装をサポートする計算プリミティブを同定する。
- 参考スコア(独自算出の注目度): 1.8464222520424338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding how biological neural networks carry out learning using
spike-based local plasticity mechanisms can lead to the development of
powerful, energy-efficient, and adaptive neuromorphic processing systems. A
large number of spike-based learning models have recently been proposed
following different approaches. However, it is difficult to assess if and how
they could be mapped onto neuromorphic hardware, and to compare their features
and ease of implementation. To this end, in this survey, we provide a
comprehensive overview of representative brain-inspired synaptic plasticity
models and mixed-signal \acs{CMOS} neuromorphic circuits within a unified
framework. We review historical, bottom-up, and top-down approaches to modeling
synaptic plasticity, and we identify computational primitives that can support
low-latency and low-power hardware implementations of spike-based learning
rules. We provide a common definition of a locality principle based on pre- and
post-synaptic neuron information, which we propose as a fundamental requirement
for physical implementations of synaptic plasticity. Based on this principle,
we compare the properties of these models within the same framework, and
describe the mixed-signal electronic circuits that implement their computing
primitives, pointing out how these building blocks enable efficient on-chip and
online learning in neuromorphic processing systems.
- Abstract(参考訳): スパイクに基づく局所可塑性機構を用いた学習を生物ニューラルネットがどのように行うかを理解することは、強力でエネルギー効率が高く、適応的なニューロモルフィックな処理システムの開発に繋がる。
最近、スパイクベースの学習モデルが様々なアプローチで提案されている。
しかし、ニューロモルフィックハードウェアにどのようにマッピングできるかを評価することは困難であり、それらの特徴と実装の容易さを比較することは困難である。
そこで本研究では,脳にインスパイアされたシナプス可塑性モデルと混合信号 \acs{CMOS} ニューロモルフィック回路の総合的な概要について述べる。
我々は,synaptic plasticityのモデル化における履歴,ボトムアップ,トップダウンのアプローチを概観し,スパイクベースの学習ルールの低遅延・低消費電力ハードウェア実装をサポートする計算プリミティブを同定する。
シナプス前およびシナプス後ニューロン情報に基づく局所性原理の共通定義を提供し,シナプス可塑性の物理的実装の基本的な要件として提案する。
この原理に基づき、同じフレームワーク内でこれらのモデルの特性を比較し、計算プリミティブを実装する混合信号電子回路を記述し、ニューロモルフィックな処理システムにおいて、これらのビルディングブロックがどのように効率的なオンチップおよびオンライン学習を可能にするかを指摘する。
関連論文リスト
- Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳(メタデータ) (2023-12-01T05:20:57Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳(メタデータ) (2023-01-31T19:04:28Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳(メタデータ) (2023-01-19T19:45:42Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Evolving spiking neuron cellular automata and networks to emulate in
vitro neuronal activity [0.0]
我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。
我々のモデルは、ネットワーク全体の同期レベルを生成できた。
トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
論文 参考訳(メタデータ) (2021-10-15T17:55:04Z) - 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) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳(メタデータ) (2019-12-27T10:15:58Z)
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。