CDNA-SNN:使用神经元组件进行模式分类的新尖端神经网络

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 尖端神经网络 (SNN) 代表了第三代神经网络,密切模仿生物神经元.
• 与传统的半导体神经网络相比,SNN提供了更高的计算能力和更低的功耗.
• 现有的SNN可以通过结合来自人类大脑神经元组合的原则来改进.

研究的目的:

• 介绍一种新的SNN架构,即基于类依赖的神经元激活的SNN (CDNA-SNN).
• 为CDNA-SNN开发一种新的学习算法和培训方法,该算法基于神经元组合和尖端时间依赖可塑性 (STDP).
• 评估CDNA-SNN的性能和效率与已建立的SNN培训方法相比.

主要方法:

• 设计的CDNA-SNN具有可学习的类依赖神经元激活 (CDNA),表示每个类的神经元活动.
• 开发了一个学习算法,以基于CDNAs形成类特定的神经元组.
• 实施了一种由神经元组合和CDNA控制的新型STDP变体用于训练.
• 利用嵌套交叉验证 (N-CV) 在基准数据集上进行超参数优化.

主要成果:

• 在3/5的UCI数据集中,CDNA-SNN的表现优于SWAT和SpikeProp,在2/5的UCI数据集中则优于SRESN.
• 拟议的SNN在时尚MNIST上取得了最佳表现,在MNIST和N-MNIST上取得了可比的结果.
• 与其他SNN相比,CDNA-SNN显示可训练参数显著减少 (1%-35%).

结论:

• CDNA-SNN为尖端神经网络设计提供了一种强大而高效的方法.
• 像神经元组合这样的脑启发概念的整合可以提高SNN的性能.
• CDNA-SNN为低功耗,高性能神经网络应用提供了一个有前途的替代方案.