SHIP:用于模拟和验证硬件尖端神经网络中的新技术的计算框架.
Emanuele Gemo1, Sabina Spiga1, Stefano Brivio1
1CNR-IMM, Unit of Agrate Brianza, Agrate Brianza, Italy.
Frontiers in neuroscience
|January 24, 2024
概括
模拟尖端神经网络 (SNN) 是一个挑战. SHIP,一个Spiking (神经网络) 硬件在PyTorch工具,桥梁模型驱动和数据驱动的方法,硬件开发和验证.
科学领域:
- 计算神经科学是一种计算神经科学.
- 神经形态工程的神经形态工程
- 材料科学是一种材料科学.
背景情况:
- 尖端神经网络 (SNNs) 的研究涵盖神经科学,计算和硬件开发.
- 模拟SNN带来了计算挑战,往往导致专门的,非统一的平台.
- 现有的模拟方法在详细的生物建模和高效的数据处理之间产生二分歧.
研究的目的:
- 为满足SNN硬件开发的统一模拟环境的需求.
- 促进未来SNN系统的建模,分析和培训.
- 探索SNN模拟中的数值挑战.
主要方法:
- 介绍SHIP (Spiking神经网络) 硬件 在PyTorch,一个数值工具.
- SHIP支持对网络组件模型的算法定义.
- 通过学习规则或监督技术来监控系统状态/输出和训练突触权重.
主要成果:
- SHIP提供了一个灵活的环境,用于调查和验证SNN硬件组件.
- 它整合了基于模型和数据的模拟方法的各个方面.
- 促进用户定义的无监督学习和传统的监督培训.
结论:
- 对于基于硬件的SNNs的研究人员和开发人员来说,SHIP是一个有价值的工具.
- 它可以有效地模拟和验证用于神经形态计算的新材料和设备.
- 该工具有助于推进人工硬件对应生物神经网络的开发.


