科学机器学习中的人工到脉冲神经网络的转换
摘要：将物理信息神经网络（Physics-Informed Neural Networks，PINNs）转换为脉冲神经网络（Spiking Neural Networks，SNNs）的方法，SNNs相比传统的人工神经网络（Artificial Neural Networks，ANNs）具有更高的能源效率。我们首先将SNNs的校准技术扩展到除ReLU之外的任意激活函数，使其更加灵活，并证明了校准的有效性。我们成功地将PINNs转换为SNNs，实现了在解决多个微分方程，包括非稳态Navier-Stokes方程中，各种回归任务的计算效率。我们展示了在整体效率方面的巨大收益，包括加速训练过程的可分离PINNs（Separable PINNs，SPINNs）。总的来说，这是这方面的首个工作，提出的方法在低脉冲率下实现了相对较高的准确性。
作者：Qian Zhang, Chenxi Wu, Adar Kahana, Youngeun Kim, Yuhang Li and George Em Karniadakis, Priyadarshini Panda
论文ID：2308.16372
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-09-01