超维大脑启发的学习,用于与大规模的下结核神经活动的音符识别

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
• 机器学习 机器学习

背景情况:

• 从下结肠 (IC) 解码神经活动对于理解听觉系统至关重要.
• 现有的方法通常需要大量的数据集和大量的微调,因为噪音神经信号.
• 深度神经网络 (DNN) 广泛使用,但可能是计算密集型的.

研究的目的:

• 开发一种新且高效的语音识别框架,通过解码下 (IC) 神经活动来实现语音识别.
• 利用超维计算 (HDC) 作为DNN的替代方案,以进行高效的神经活动分析.
• 在现场可编程网关数组 (FPGA) 上部署基于HDC的算法,以实现硬件加速.

主要方法:

• 开发了一种空间和时间意识的HDC编码器,以捕捉神经活动中的全球和本地模式.
• 为了优化速度,HDC算法在现场可编程门阵列 (FPGA) 平台上实现.
• 在语音播放过程中,从幼鼠中记录下下 (IC) 神经活动,以进行评估.

主要成果:

• 与基线机器学习算法相比,提出的HDC方法显示出更高的分类质量.
• 与ResNet相比,HDC框架实现了显著的运行速度提升:在CPU上达到74×,在GPU上达到67×,在FPGA上达到210×.
• 与ResNet.Net相比,观察到高达15%的辅音和10%的母音分类的精度提高.

结论:

• 灵感来自大脑的HDC能够高效地编码IC神经活动,用于语音分类.
• 该框架提供了数量级的运行时间加快,同时提高了准确性.
• 基于HDC的方法是可扩展的,可用于现实世界的部署,并提供快速培训,提高质量.