Хайдельбергские наборы данных о спайках для систематической оценки спайковых нейронных сетей
The Heidelberg Spiking Data Sets for the Systematic Evaluation of Spiking Neural Networks
2020-12-30
SCID: 54.1/4vrrcj4r
Discuss with AI
Хайдельбергские наборы спайковых данныхпреобразование аудио в спайкинейроморфное оборудованиеклассификация на основе спайковспайковые нейронные сети
Figures from the paper
Abstract (AI)
Спайковые нейронные сети лежат в основе универсальной и энергоэффективной обработки информации в мозге. Хотя в настоящее время у нас отсутствует детальное понимание того, как эти сети выполняют вычисления, недавно разработанные методы оптимизации позволяют создавать в кремнии всё более сложные функциональные спайковые нейронные сети. Эти методы открывают перспективы создания более эффективного вычислительного оборудования с архитектурой, отличной от архитектуры фон Неймана, и новых направлений в исследовании функций нейронных цепей мозга. Для ускорения разработки таких методов необходимы объективные способы сравнения их эффективности. Однако в настоящее время не существует общепринятых средств сравнения вычислительной эффективности спайковых нейронных сетей. Для решения этой проблемы мы представляем два набора данных для классификации на основе спайков, пригодных для широкого применения при оценке программных реализаций и реализаций спайковых нейронных сетей на нейроморфном оборудовании. Для этого мы разработали общую процедуру преобразования аудиосигналов в спайковые последовательности, вдохновлённую нейрофизиологией. Кроме того, мы применили это преобразование к существующему и новому набору речевых данных. Последний представляет собой свободно доступный высококачественный Хайдельбергский набор данных цифр с выравниванием на уровне слов, созданный специально для данного исследования. Обучив ряд обычных и спайковых классификаторов, мы показали, что использование информации о времени возникновения спайков в этих наборах данных необходимо для достижения высокой точности классификации. Эти результаты служат первым ориентиром для будущих сравнений эффективности спайковых нейронных сетей.
Key Findings
1
Эксперименты с традиционными и спайковыми классификаторами показывают, что использование информации о времени спайков необходимо для высокой точности классификации.
2
Предложена универсальная процедура преобразования аудиосигналов в спайковые представления, вдохновлённая нейрофизиологией.
3
Авторы создали бесплатный высококачественный набор данных Heidelberg digit с выравниванием на уровне слов специально для оценки спайковых нейронных сетей.
4
Полученные результаты служат первым ориентиром для сравнения вычислительной производительности будущих методов спайковых нейронных сетей.
5
Исследование представляет два набора данных для классификации по спайкам, предназначенных для систематического сравнения спайковых нейронных сетей в программных и нейроморфных аппаратных системах.
Research Object
спайковые наборы данных для классификации Heidelberg, включая набор данных цифр Heidelberg
Research Subject
эффективность классификации спайковых нейронных сетей и вклад информации о времени возникновения спайков
Publication Details
Publication Date
2020-12-30
Journal
Publisher
ISSN
Cited by
351
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Adam: метод стохастической оптимизации2014
Scikit-learn: машинное обучение на Python2012
Градиентное обучение для распознавания документов1998
Обучение нескольких слоев признаков на маленьких изображениях2024
Обучение с использованием суррогатного градиента в спайковых нейронных сетях: перенос возможностей градиентной оптимизации в спайковые нейронные сети2019
SuperSpike: Обучение с учителем в многослойных спайковых нейронных сетях2018