XiaoMi-AI文件搜索系统
World File Search System尖峰
用于高效尖峰分类的部分二值化神经网络
摘要 虽然可以使用高效算法实现脑植入式神经尖峰分类，但是噪声的存在可能使得使用传统技术难以保持高性能分类。在本文中，我们首次探讨了使用部分二值化神经网络 (PBNN) 对神经尖峰特征向量进行分类。结果表明，与基于波形模板的方法相比，PBNN 可在各种数据集和噪声水平上提供稳健的尖峰分类。介绍了基于 PBNN 的尖峰分类系统在标准 180 nm CMOS 工艺中的 ASIC 实现。后布局和布线模拟结果表明，合成的 PBNN 在 24 kHz 下工作时仅消耗 1.8 V 电源下的 0.59 휇 W 功耗，占用 0.15 mm 2 的硅面积。结果表明，所设计的基于 PBNN 的脉冲分类系统不仅在各种噪声水平和数据集上提供与最先进的脉冲分类系统相当的精度，而且占用的硅面积更小，功耗更低。这使得 PBNN 成为实现可植入大脑的脉冲分类系统的可行替代方案。
使用协作尖峰神经网络求解二次不受约束的二进制优化
摘要 - 次数不受约束的二进制优化（QUBO）问题成为一种有吸引力且有价值的优化问题，因为它可以轻松地转换为各种其他组合优化问题，例如图形/数字分区，最大值，SAT，SAT，Vertex，Vertex，Vertex，TSP，TSP等。其中一些问题是NP-HARD，并广泛应用于行业和科学研究中。同时，已经发现Qubo与两个新兴的计算范式，神经形态计算和量子计算兼容，具有巨大的潜力，可以加快未来的优化求解器。在本文中，我们提出了一种新型的神经形态计算范式，该计算范式采用多个协作尖峰神经网络来解决QUBO问题。每个SNN进行局部随机梯度下降搜索，并定期分享全球最佳解决方案，以对Optima进行元效力搜索。我们模拟了模型，并将其与无协作的单个SNN求解器和多SNN求解器进行比较。通过对基准问题的测试，提出的方法被证明在寻找QUBO Optima方面更有效。具体来说，它在无协作和单SNN求解器的情况下分别在多SNN求解器上显示X10和X15-20加速。索引术语 - 数字计算，尖峰神经网络作品，组合优化，QUBO
通过紫外线激光照射在介孔硅上形成的微尖峰
微型和纳米结构的表面受到了广泛的关注，因为它们在传感器技术，表面摩擦学以及依从性和能量收集等广泛应用中的潜力。已经研究了几种修改材料表面，例如血浆处理，离子梁溅射，反应性离子蚀刻和激光处理等材料表面[1-3]。在这些方法中，由于其良好的空间分辨率和对不同材料（例如金属，半导体，介电和聚合物）的良好空间分辨率和高可重现性，激光表面处理近年来引起了人们的兴趣[4-6]。从连续波（CW）到超短梁以及从UV到IR的工作波长已经使用了许多类型的激光源[7-8]。由于激光 - 物质相互作用，从纳米到微尺度的各种结构和模式取决于激光参数和材料特性，例如激光诱导的周期性表面结构（LIPS），2D圆形液滴和特定的微型结构，称为Spikes [9-14]。
在低功率5K-LUT FPGA上使用尖峰神经网络的实时SEMG处理
摘要 - 基于表面肌电图（SEMG）的分析的手动运动的准确建模为开发复杂的假体设备和人机界面的开发提供了令人兴奋的机会，从离散的手势识别转向连续运动跟踪。在这项研究中，我们基于轻量级尖峰神经网络（SNN）和在晶格ICE40-ultraplus FPGA上实施了两种实时SEMG加工的解决方案，特别适用于低功率应用。我们首先评估离散手势识别任务中的性能，考虑到参考Ninapro DB5数据集，并在十二个不同的固定手势的分类中占83.17％的准确性。我们还考虑了连续填充力建模的更具挑战性的问题，在独立的扩展和收缩练习中引用了用于填充跟踪的Hyser数据集。评估表明，高达0.875的相关性与地面真正的力。我们的系统利用了SNN的固有效率，并在活动模式下消散11.31 MW，以进行手势识别分类的44.6 µJ，用于强制建模推理的手势识别分类和1.19 µJ。考虑动态功率消费管理和引入空闲时期，对于这些任务，平均功率下降至1.84兆瓦和3.69兆瓦。
loc-net：快速视觉位置识别的本地化卷积尖峰神经网络
4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国
基于ACE2受体或工程尖峰结合肽的SARS-COV-2进入抑制剂的比较
此预印本版的版权持有人于2023年1月9日发布。 https://doi.org/10.1101/2023.01.05.522964 doi：biorxiv preprint
具有机器人实施例的模块化尖峰神经网络中的空间计算
摘要：现代神经科学中的挑战之一是创建一个脑介绍。基于在体外生长的神经网络的这种半小型设备在体外生长时应与环境相互作用。这项工作中的一个关键点是开发一种能够进行联想学习的神经网络体系结构。这项工作提出了一个中尺度模块化尖峰神经网络（SNN）的数学模型，以在脑线芯片环境中研究学习机制。我们表明，除了峰值依赖性可塑性（STDP）外，突触和神经元竞争是成功学习的关键因素。此外，最短的途径规则可以实施负责处理来自环境的有条件刺激的突触竞赛。该解决方案已准备好在神经元文化中进行测试。可以通过对负责无条件反应的SNN模量进行横向抑制来实施神经元竞争。对这种方法的经验测试具有挑战性，需要开发一种具有给定兴奋性和抑制性神经元比的培养物的技术。我们测试了移动机器人中嵌入的模块化SNN，并表明它可以在触摸（无条件）和超声波（条件）传感器之间建立关联。然后，机器人只能依靠超声传感器避免障碍而不会击中障碍。
移动机器人的快速适应和持续学习尖峰神经网络路径计划算法
摘要 - 基于此地图的环境和计划途径中的遍历成本对于自主航很重要。我们提出了一种神经动物导航系统，该系统利用尖峰神经网络（SNN）波前策划者和电子企业学习同时绘制和计划路径在大而复杂的环境中。，我们结合了一种新颖的映射方法，当与尖峰波前计划器（SWP）结合使用时，通过选择性地考虑任何成本组合，可以进行自适应计划。该系统在室外环境中具有障碍物和不同地形的室外环境中进行测试。结果表明，该系统能够使用三种成本量度，（1）轮子的能量消耗，（2）在存在障碍物的情况下花费的时间以及（3）地形斜率。在仅十二个小时的在线培训中，电子prop通过更新SWP中的延迟来学习并将遍历成本纳入路径计划地图。在模拟路径上，SWP计划比A*和RRT*明显短，成本较低。SWP与神经形态硬件兼容，可用于需要低尺寸，重量和功率的应用。
用于检测术中ECOG中高频振荡（HFO）的尖峰神经网络（SNN）
要获得癫痫发作的自由，癫痫手术需要完全切除癫痫脑组织。在术中电视学（ECOG）记录中，癫痫组织产生的高频振荡（HFO）可用于量身定制切除缘。但是，实时自动检测HFO仍然是一个开放的挑战。在这里，我们提出了一个尖峰神经网络（SNN），用于自动HFO检测，最适合神经形态硬件实现。我们使用独立标记的数据集（58分钟，16个记录），训练了SNN，以检测从术中ECOG测量的HFO信号。我们针对快速连锁频率范围（250-500 Hz）中HFO的检测，并将网络结果与标记的HFO数据进行了比较。我们赋予了SNN新型的伪影排斥机制，以抑制尖锐的瞬变并证明其在ECOG数据集中的有效性。该SNN检测到的HFO速率（中位数为6.6 HFO/ min）与数据集中发布的HFO率（Spearman'sρ= 0.81）相当。所有8例患者的术后癫痫发作结果被“预测”为100％（CI [63 100％]）的精度。这些结果为建造实时便携式电池式HFO检测系统提供了进一步的一步，该检测系统可在癫痫手术期间使用，以指导癫痫发作区的切除。
基于隧道的CMOS浮动门突触，用于低功率尖峰时序依赖性可塑性
正在实施几种硬件方法，以用于Ma-Chine学习，从von Neumann- Zuse计算机架构上的速率神经元[1]，[2]，FPGA [3]和ASICS [3]和ASICS [4]到从一侧到替代方法，到诸如Neu-Romorphic硬件[5] - [5] - [7]和量子计算机的替代方法，以及量子计算机的量子[8] [8] [8] side Inselum Machine [9] [9]在需要低功耗或准备脑机界面准备的涉及应用程序中，尖峰神经元的电路[10]占据着重要作用。尖峰神经网络（SNN）通过尖峰代替有限的数字传输信息。这种编码方法模拟了生物神经元的效率，在能量管理方面具有巨大的效率[11]。过去，通过设计必要的神经元或突触[12] - [15]或详细阐述复杂网络[16]，[17]来解决低功耗。我们通过设计与商业CMOS技术完全兼容并能够存储多个权重的电路来实现此类目标。该设备旨在永久存储跨神经元的连接，但在我们的情况下，在其一生中，在其一生中对它们进行了修改，在我们的情况下，作为峰值时间依赖性的可塑性（STDP）。后者是一种著名的方法，用于根据所涉及的神经元的相对时间来修饰突触的强度[18]。内存元件是一个浮动的门，可存储准通电，它是神经形态电路的主要候选者之一[19] - [21]，这要归功于与当前CMOS技术的完整兼容性。不同于先前报道的磁性门突触