ETLP：基于事件的三因素局部可塑性与神经形态硬件的在线学习
摘要：事件驱动传感器、异步硬件和脉冲神经元的神经形态感知正在嵌入式系统中展现出实时和节能的推断结果。脑启发计算的下一个承诺是通过在线学习实现边缘自适应能力。然而，基于共位计算和存储的神经形态硬件的并行和分布式架构对芯片上的学习规则施加了局部性约束。本文提出了基于事件的三因子局部可塑性（ETLP）规则，该规则利用（1）突触前尖峰跟踪，（2）突触后膜电压和（3）以预测标签的形式的第三因子，无需进行误差计算，同时也用作更新触发器。我们将ETLP应用于前馈和循环脉冲神经网络上的视觉和听觉事件驱动模式识别，并将其与通过时间的反向传播（BPTT）和eProp进行比较。我们展示了ETLP在准确性方面具有竞争力的表现，并在计算复杂度方面具有明显优势。我们还展示了当使用局部可塑性、脉冲神经元中的阈值自适应和循环拓扑时，学习具有丰富时间结构的时空模式是必要的。最后，我们提供了ETLP在FPGA上的概念验证硬件实现，以突出其计算原语的简单性以及如何将其映射到神经形态硬件以实现低能耗的在线学习和实时交互。
作者：Fernando M. Quintana, Fernando Perez-Pe~na, Pedro L. Galindo, Emre O. Neftci, Elisabetta Chicca, Lyes Khacef
论文ID：2301.08281
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-01-26