XiaoMi-AI文件搜索系统
World File Search SystemSNN
![arxiv：2110.10011v2 [CS.HC] 2022年5月5日](/simg/g:\will\search\icon\source\a\a09f2104f2344c5834d46523544b5e6b6a5dbd6a.webp)
arxiv：2110.10011v2 [CS.HC] 2022年5月5日
端到端平台组装多个层是为精确认识大脑活动而构建的。是大规模的脑电图（EEG）数据，时间频谱图被典型地投射到插曲特征特征上（被视为tier-1）。基于尖峰的神经网络（SNN）的层旨在根据稀有特征从稀有特征中提取启动信息，该特征保持了脑电图本质的时间范围。所提出的层3从snn转移峰值图案的时间和空间域；并将转置模式 - 纳入将被称为Tier-4的人工神经网络（ANN，Transformer）馈入，其中提出了一种特殊的跨性拓扑结构，以匹配二维输入形式。在此过程中，诸如分类之类的认知是高精度进行的。为了证明概念验证，通过引入多个脑电图数据集，其中最大的42,560小时记录了5,793名受试者，可以证明睡眠阶段评分问题。从实验结果中，我们的平台通过利用唯一的脑电图来实现87％的总体认知准确性，这比最新的脑电图高2％。此外，我们开发的多层方法论通过识别关键发作来提供脑电图的时间特征的可见和图形化，这是神经动力学中授予的，但在常规认知方案中几乎没有出现。
通过浅神经网络级联的模拟RF电路尺寸
摘要 - 提出了用于模拟电路组件自动尺寸的深神经网络体系结构，重点是2至5 GHz区域的射频（RF）应用。它解决了通常少数网络培训示例的挑战和多种解决方案的存在，其中该型解决方案是集成电路实现的不切实际值。，由于一系列专用的浅神经网络（SNN），我们通过一次将学习限制到一个组件大小来解决这些问题，在该级联限制了下一个网络的预测。此外，SNN是通过遗传算法单独调整预测顺序和准确性的。在每个步骤中的解决方案空间的缩小允许使用小型训练集，以及SNNS处理组件相互依赖的限制。该方法在三种不同类型的RF微电路上成功验证：低噪声放大器（LNA），电压控制的振荡器（VCO）和混合器，使用180 nm和130 nm CMOS实现。所有预测均在成分和性能水平的真实值的5％之内，所有响应均在4至47分钟后在不到5 s的情况下获得。在常规PC站进行培训。获得的结果表明，所提出的方法快速且适用于任意模拟电路拓扑，而无需为每组新的所需电路性能重新训练开发的神经网络。
针对氧化还原系统的衰老中心血管再生
摘要 - 基于低功率事件的模拟前端（AFE）是建立用于边缘计算的有效端到端神经形态处理系统所需的关键组件。尽管已经开发了几种神经形态芯片来实现尖峰神经网络（SNN）并解决了广泛的感官处理任务，但只有少数通用的模拟前端设备可用于将模拟感官信号转换为尖峰并与神经型处理器相连。在这项工作中，我们提出了一种新颖的，高度可配置的模拟前端芯片，称为“ spaic”（用于模拟AI计算的信号到尖峰转换器），可提供通用双模式模式模拟信号对尖峰编码，并具有Delta调制和脉冲频率调制，并具有可调节频带。ASIC以180 nm的过程设计。它支持并编码各种信号，这些信号涵盖了4个数量级的频率，并提供了与现有神经形态处理器兼容的基于事件的输出。我们验证了ASIC的功能，并提出了表征芯片基本构件的初始硅测量结果。索引术语 - 神经形态，模拟前端（AFE），编码器，尖峰神经网络（SNN）
优化的脉冲神经元可以通过两个脉冲的时间编码对图像进行高精度分类
目前，人们正在研究使用脉冲神经网络 (SNN) 来解决现代 AI 在边缘设备中得到更广泛应用的一个主要障碍：由深度学习产生的大型先进人工神经网络 (ANN) 的能耗。这尤其适用于常用于图像分类的卷积神经网络 (CNN)，但也适用于其他应用领域。这些 ANN 必须很大才能实现最佳性能，因为它们需要具有足够多的参数才能从它们所训练的庞大数据集（例如 ImageNet2012 数据集的 120 万张图像）中吸收足够的信息。使用这些大型 ANN 的标准硬件实现进行推理本质上非常耗电 1 。脉冲神经元一直是人工智能计算硬件开发的重点，其能量预算大幅降低，部分原因是大脑的巨型 SNN（由大约 1000 亿个神经元组成）仅消耗 20 W（参考文献 2）。脉冲神经元输出一串称为脉冲的典型脉冲。因此，它们的输出与 ANN 神经元输出的连续数非常不同。大多数考虑在神经形态硬件中实现的脉冲神经元模型都受到大脑中脉冲神经元的简单模型的启发。然而，这些简单的神经元模型并没有捕捉到生物神经元通过不同的时间脉冲模式（而不仅仅是通过它们的发放率）编码不同输入的能力（参见图 1 中的示例）。虽然大型 ANN 经过越来越复杂的深度学习算法在巨型数据集上训练，在多个智能类别中接近甚至超过人类的表现，但当前一代基于脉冲的神经形态硬件的性能却落后了。人们希望在循环脉冲神经网络的情况下可以弥补这一差距，因为可以直接训练这些神经网络来实现循环 ANN 的大部分性能 3 。但是，对于前馈网络来说，生成具有与 ANN 类似的性能且脉冲较少的 SNN 的问题仍然存在。实现真正良好图像分类的前馈 CNN
![arXiv:2302.07037v2 [nucl-th] 2023 年 3 月 18 日](/simg/g:\will\search\icon\source\e\ef98ab86a2d9b2a779db064e9b5ee70259826385.webp)
arXiv:2302.07037v2 [nucl-th] 2023 年 3 月 18 日
在耦合微观聚结模型的输运模型中,研究了√sNN=2.4GeV时20-30%Au+Au碰撞中心性中质子和氘的有向和椭圆流及其标度特性.结果表明,用同位旋和动量相关的核平均场模拟的不可压缩率K0=230MeV的流动及其标度特性与HADES数据有很好的拟合度,而常用的动量无关的核平均场模拟的流动及其标度特性只能部分拟合HADES数据.此外,通过检查√sNN=2时0-10%Au+Au碰撞中心性中质子和氘的快度分布,发现用同位旋和动量相关的核平均场模拟的流动及其标度特性与HADES数据有很好的拟合度. 4 GeV，我们发现，用动量无关的核平均场模拟的氘核快度分布被低估了，而质子的快度分布被高估了。相反，用同位旋和动量相关的核平均场模拟的质子和氘核快度分布与 HADES 数据高度一致。我们的发现意味着，核平均场的动量依赖性是理解核物质性质和成功解释 HADES 数据的一个不可避免的特征。
具有神经振荡和尖峰相信息的深尖峰神经网络
深度尖峰神经网络（DSNN）是一个有希望的人为智能的构成模型。它通过层次结构从DNN和SNN中受益，分别提供多个级别的抽象和事件驱动的综合方式，分别提供超低功率的神经形态实现。然而，如何有效地训练DSNN仍然是一个空旷的问题，因为不可差的尖峰函数可以防止直接应用于DSNN的传统后反向传播（BP）学习算法。在这里，受到生物神经网络的发现的启发，我们通过向DSNN引入神经振荡和尖峰信息来解决上述问题。特别是，我们提出了振荡后电势（OS-PSP）和相锁的活动函数，并进一步提出了新的尖峰神经元模型，即共鸣尖峰神经元（RSN）。基于RSN，我们为DSNN提供了峰值级依赖性的后传播（SLDBP）学习算法。实验结果表明，所提出的学习算法解决了由于BP学习算法 - rithm和SNN之间不兼容而引起的问题，并在基于尖峰的学习算法中实现了最先进的表现。这项工作提出了引入以生物学启发的机制的贡献，例如神经振荡和尖峰期信息对DSNNS，并为设计未来的DSNN提供了新的观点。
在体内靶向肝癌与组织和核... 社论：理解和弥合神经形态计算与机器学习之间的差距 糖尿病内皮微型疾病和肺功能障碍 o r i g i n a l r e s a r c h osu-03012破坏了Akt信号，并防止子宫内膜癌在体外和体内 研究文章通过影响免疫浸润和浸润 o r i g i n a l r e s a r c h r c h血小板模拟药物递送纳米颗粒，用于增强乳腺癌的化学疗法治疗 将降压药用作癌症的共同疗法 针对人类和农场动物中病毒疾病的植物性疫苗 瑞典的冠状病毒战略：公共卫生机构和争议的地点 通过宿主的组合抑制人冠状病毒 抗体 - 药物结合疗法在头颈癌中的治疗潜力：系统评价 与帕金森氏病相关的药物重新利用策略
在通向人工通用智能（AGI）的道路上，已经探索了两种解决方案路径：神经科学驱动的神经形态计算，例如尖峰神经网络（SNNS）和计算机科学驱动的机器学习，例如人工神经网络（ANNS）。由于数据的可用性，高性能处理器，有效的学习算法以及易于使用的编程工具，ANN在许多智能应用程序中都取得了巨大的突破。最近，SNN由于其生物学的合理性和实现能量效率的可能性而引起了很多关注（Roy等，2019）。然而，与“标准” ANN相比，由于准确性较差，因此他们不在进行持续的辩论和怀疑中。性能差距来自多种因素，包括学习技术，基准测试，编程工具和执行硬件，SNN中所有这些都不像ANN域中的那样发达。为此，我们提出了一个研究主题，名为“理解和弥合神经形态计算和机器学习之间的差距”，在计算神经科学的神经科学和边界的边界，以收集有关神经形态计算的最新研究和机器学习，以帮助理解和弥合所提到的差距。我们总共收到了18份意见书，并最终接受了其中的14份。这些接受论文的范围涵盖了学习算法，应用程序和有效的硬件。
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。
![arxiv：2408.14909v2 [CS.CL] 2024年12月24日](/simg/g:\will\search\icon\source\c\cb17634eb62dfb255310cdc41075dc0f28bbcc56.webp)
arxiv：2408.14909v2 [CS.CL] 2024年12月24日
被称为低能消耗网络，尖峰的神经网络（SNN）在过去几十年中引起了很多关注。尽管SNN与人工神经网络（ANN）的竞争增加了视力任务，但尽管它们具有内在的时间动力学，但它们很少用于长序列任务。在这项工作中，我们通过利用状态空间模型（SSM）的序列学习能力来开发长序列学习的尖峰状态空间模型（SPIKINGSM）。受树突状神经元结构的启发，我们将神经元动力学与原始SSM块整合在一起，同时实现了稀疏的突触计算。此外，为了解决事件驱动的神经动力学的冲突，我们提出了一个轻巧的替代动态网络，该网络可以准确地预测余后膜的潜力，并且可以兼容以学习能力的阈值，从而在训练速度上与传统的术语相比，在训练速度中具有加速速度。在远程竞技场基准任务中，SpikingsSM在最先进的SSMS上取得了胜利的性能，同时平均重新占据了90％的网络稀疏性。在语言建模上，我们的网络显着超过了Wikitext-103数据集上现有的大型语言模型（SpikingLlms），其中只有三分之一的模型大小，证明其作为低计算成本LLM的骨干架构的潜力。