ニューラルネットワークにおけるスパイキング画像認識のためのデジタルハードウェア開発：新しいバーストベース強化学習アプローチの採用

科学分野:

• 神経科学
• コンピュータサイエンス
• 人工知能

背景:

• 正確で費用対効果の高い計算は、高度な認知機械にとって不可欠です。
• バイオインスパイアードスパイキングニューラルネットワークは、学習精度と速度の向上に可能性をもたらします。
• ニューラルネットワークを使用するマシンビジョンプラットフォームには、効率的なハードウェアソリューションが必要です。

研究 の 目的:

• 新しい強化学習バースト時間依存可塑性（RBTDP）学習アルゴリズムを導入すること。
• 正確かつ高速な計算のための線形置換技術を使用した効率的なハードウェアソリューションを提示すること。
• 学習能力が強化されたバイオインスパイアードスパイキングビジョンネットワークを開発すること。

主な方法:

• 低コストのニューロン回路を使用したデジタル回路として、新しいRBTDP学習アルゴリズムを実装しました。
• 速度とリソースの効率のために、デジタル学習およびニューロンブロックで線形置換技術を採用しました。
• アクターおよびクリッカー集団をサポートする3層バイオインスパイアードスパイキングビジョンネットワークを構築し、教師なしおよび強化学習をサポートしました。

主要な成果:

• 提案されたRBTDP学習法は、スパイキングビジョンネットワークにおいて卓越したパフォーマンスを示しました。
• ネットワークは、MNISTで98.2％、CIFAR10で94％、CIFAR100で75.6％のベンチマークデータセットで高い精度を達成しました。
• 結果は、以前の研究と比較して精度が向上し、収束が速くなったことを示しています。

結論:

• 開発されたRBTDPアルゴリズムとハードウェアソリューションは、バイオインスパイアードスパイキングビジョンネットワークのパフォーマンスを大幅に向上させます。
• このアプローチは、認知機械における効率的で正確な機械学習のための有望な方向性を提供します。
• この研究は、実世界のアプリケーションにおけるスパイキングニューラルネットワークのデジタル実装の可能性を強調しています。