具有鲁棒性和加速能力的单脉冲脉冲神经网络训练及其在挑战性时间任务中的应用
摘要：单脉冲尖峰神经网络(SNNs)，特别是只有一个尖峰的变体，在能源效率上比标准人工神经网络(ANNs)高得多。然而，由于其动态和不可微的特性，单脉冲SSNs很难进行训练，目前的解决方案要么很慢，要么容易训练不稳定。这些网络也受到了其计算应用性的限制，例如不适合时间序列数据集。我们提出了一个新的模型来训练单脉冲SNNs，该模型减轻了上述训练问题，并在各种图像和神经形态数据集上获得了竞争性的结果，训练速度提高了13.98倍，并将脉冲减少了81%，与多脉冲SNN相比。值得注意的是，在涉及神经形态时间序列数据集的挑战性任务中，我们的模型表现与多脉冲SNN相当，这表明单脉冲SNNs具有比以前认为的更广泛的计算作用。
作者：Luke Taylor, Andrew King, Nicol Harper
论文ID：2205.15286
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-10-13