スパイクニューラルネットワークにおけるモデルに依存しない線形メモリオンライン学習

科学分野:

• 計算神経科学
• 人工知能
• ニューロモルフィック工学

背景:

• スパイクニューラルネットワーク（SNN）は、脳ダイナミクスとニューロモルフィック知能の可能性を示しています。
• 既存のSNN用オンライン学習システムは、メモリ、生物学的忠実性、自動化に関する課題に直面しています。
• SNN用の効率的でスケーラブルな自動化オンライン学習の必要性が存在します。

研究 の 目的:

• BrainTraceは、新規のモデルに依存しない、線形メモリ、自動化されたオンライン学習システムをSNNに導入することを目的としています。
• 現在のSNNオンライン学習方法の限界に対処することを目的としています。
• 大規模SNNモデリングと解析を可能にすることを目的としています。

主な方法:

• BrainTraceは、多様なニューロンおよびシナプスダイナミクスに対応するためにSNNモデル仕様を標準化します。
• 線形メモリオンライン学習ルールは、固有のスパイクダイナミクス特性を活用することで実装されます。
• 自動化されたコンパイラは、ユーザー定義のSNNモデル用に最適化されたオンライン学習コードを生成します。

主要な成果:

• BrainTraceは、メモリフットプリントが小さく計算スループットが高い状態で、様々なダイナミクスやタスクにおいて強力な学習性能を示します。
• このシステムにより、全脳スケールのショウジョウバエSNNのオンラインフィッティングが可能になります。
• 適合されたショウジョウバエSNNは、領域レベルの機能活動をうまく再現します。

結論:

• BrainTraceは、SNNオンライン学習における汎用性、計算効率、およびユーザビリティを調和させます。
• 大規模スパイクネットワークモデリングのための基盤ツールを提供します。
• BrainTraceは、ニューロモルフィック知能と脳ダイナミクス研究の開発を推進します。