ReplaceNet:实时替换生物神经电路,使用硬件辅助的尖端神经网络
Sangwoo Hwang1, Yujin Hwang1, Duhee Kim1
1Department of Electrical Engineering and Computer Science, DGIST, Daegu, Republic of Korea.
Frontiers in neuroscience
|August 28, 2023
概括
研究人员开发了一种稀疏尖端神经网络 (SNN),可以动态修剪突触,以有效地实时更换生物神经回路. 这一进步对于开发用于神经疾病的可植入装置至关重要.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 人工神经网络,特别是尖端神经网络 (SNN),为了解生物神经电路提供了有希望的途径.
- 资源有限的硬件需要高效的SNN模型用于像植入式设备这样的应用程序.
研究的目的:
- 开发一种训练稀疏SNN的方法,能够取代培养海马网络的子区域.
- 为了使SNN模型能够在资源有限的硬件上实现,例如植入式设备.
主要方法:
- 在训练过程中通过动态修剪不重要的突触来训练稀疏的SNN,使用尖端-时间-依赖可塑性 (STDP) 学习规则.
- 将STDP规则与在线监督学习结合起来,通过微电极阵列记录的培养海马神经元的峰值模式.
- 在使用管道执行和并行计算的现场可编程网关阵列 (FPGA) 上创建稀疏的SNN硬件原型.
主要成果:
- 拟议的SNN模型实现了80%的稀疏性,与完全连接的模型相比,显著减少了2.5倍的硬件资源需求.
- 该系统成功地在22微秒内实时替换了生物神经电路的子区域.
- 该方法展示了培养网络尖峰模式的精确预测.
结论:
- 在SNN中动态突触修剪是一种有效的策略,用于创建适合植入器件的资源高效模型.
- 这项工作是迈向使用节能算法和硬件进行实时神经假肢计算的重要一步.
- 开发的稀疏SNN和硬件原型验证了实时更换生物神经电路组件的可行性.
