详细内容或原文请订阅后点击阅览
使用神经形态计算跟踪粒子
在瓦伦西亚的 IV 研讨会上，我团队的一名学生 Emanuele Coradin 展示了一种用于识别硅跟踪器中带电粒子的新算法的结果。其新颖之处在于使用了神经形态计算，其工作原理是在电流脉冲到达神经元时对探测器命中进行编码，并让神经元从随机命中产生的噪声中“学习”带电粒子产生的命中的真实模式。阅读更多
来源:Science 2.0在瓦伦西亚举办的 IV 研讨会上，我们小组的一名学生 Emanuele Coradin 介绍了一种用于识别硅跟踪器中带电粒子的新型算法的结果。这种新颖性归功于神经形态计算的使用，其工作原理是在电流脉冲到达神经元时对探测器命中进行编码，并让神经元从随机命中产生的噪声中“学习”带电粒子产生的命中的真实模式。
该小组包括许多学生，他们都在粒子物理应用中使用这种创新的计算概念，因此让我在这里分享他们的名字：Fabio Cufino、Muhammad Awais、Enrico Lupi、Jinu Raj、Eleonora Porcu；还有我自己、吕勒奥理工大学的 Fredrik Sandin 教授和帕多瓦大学的 Mia Tosi。我们正在准备一篇描述我们研究结果的论文，很快就会发表。在这里，我将只描述我们研究的概念。
首先，为什么要使用神经形态计算来识别带电粒子轨迹——常规计算不能很好地完成这项任务吗？是的，它确实可以，但神经形态计算具有许多优势，我们才刚刚开始了解和利用这些优势。首先，虽然数字计算机每纳秒左右移动一次比特，因此消耗大量能量，但当脉冲未到达神经元时，神经形态系统不会做任何事情。信息被编码在脉冲在系统中传播的时间分布中，以不同的方式流动。甚至数据的存储方式也不同：在神经形态系统中，数据不会存放在其他地方，而是在需要时由 CPU 调用——这会导致所谓的“冯·诺依曼瓶颈”；相反，它驻留在神经元突触上，因此数据和计算之间存在有效的“共置”。
论文准备好后，我很乐意在这里分发它……我只需要提醒自己回到这个页面并添加链接！