学习神经元层中的异质延迟以实现快速运动检测
摘要：神经元发放的脉冲精确时间在塑造外向生物神经元的响应中起着至关重要的作用。神经活动的时间维度在神经生物学中对于理解信息处理具有重要意义，特别是对于事件驱动相机等神经形态硬件的性能。然而，许多人工神经模型忽视了神经活动的这个关键时间维度。在本研究中，我们提出了一个模型，使用一个带有异质突触延迟的尖峰神经元层来高效地检测时间尖峰模式。我们的模型利用树突上存在的多样突触延迟，使得具有时间精确度的突触输入在达到基底树突时能够同步。我们将这个过程形式化为一个时间不变的逻辑回归，可以使用标记数据进行训练。为了证明其实用性，我们将模型应用于转换为事件流的自然视频，并模拟生物视网膜或事件驱动相机的输出。为了评估模型在检测视觉运动中的鲁棒性，我们通过有选择地修剪权重进行实验证明，即使在工作负载大幅减少的情况下，该模型仍然高效。总之，通过提供一个全面的事件驱动计算构建块，异质延迟的引入有可能极大地提高未来尖峰神经网络算法的性能，特别是在神经形态芯片的背景下。
作者：Antoine Grimaldi and Laurent U Perrinet
论文ID：2307.14077
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-07-27