XiaoMi-AI文件搜索系统
World File Search SystemSpiking
使用脑启发的尖峰神经网络模型
1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S. ）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.） 2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：1听力学部分，奥克兰大学，奥克兰1023，新西兰； philip.sanders@auckland.ac.nz（P.J.S.）; zohreh.doborjeh@auckland.ac.nz（Z.G.D.）2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：2 Eisdell Moore Center，奥克兰1023，新西兰3脑研究中心，奥克兰大学，奥克兰大学1023年，新西兰4信息技术和软件工程系，奥克兰技术大学，奥克兰大学奥克兰1010，新西兰，新西兰； Maryam.gholami.doborjeh@aut.ac.nz 5工程学，计算机和数学科学学院，奥克兰技术大学，奥克兰大学，新西兰1010年； nkasabov@aut.ac.nz 6智能系统研究中心，阿尔斯特大学，德里/伦敦德里bt48 7Jl，英国7奥克兰生物工程研究所，奥克兰大学奥克兰大学，奥克兰大学1010年，新西兰 *通讯 *通信：
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。
混合忆阻器-CMOS 神经元，用于全硬件忆阻脉冲神经网络中的原位学习
混合忆阻器-CMOS神经元用于全硬件忆阻脉冲神经网络的原位学习 张旭萌 #1,2,3、陆建 #2、王睿 2,3、魏劲松 2、石拓 2,4、窦春梦 2,3、吴祖恒 2,3、尚大山 2,3、幸国忠 2,3、刘奇*1,2、刘明 1,2 1 复旦大学前沿芯片与系统研究所，上海 200433，中国，2 中国科学院微电子研究所微电子器件与集成技术重点实验室，北京 100029，中国，3 中国科学院大学，北京 100049，中国，4 浙江实验室，杭州 311122。 E-mail: qi_liu@fudan.edu.cn #这些作者对这项工作做出了同等贡献。摘要：
脉冲神经网络中人工智能启发大脑模型的时空模式表示
摘要：大脑中的神经元群体活动是空间域信息和时间域动态的综合响应。由于大脑的复杂性和硬件的局限性，对这种时空机制进行建模是一个复杂的过程。在本文中，我们展示了如何使用从大脑改编的信息处理原理来创建受大脑启发的人工智能 (AI) 模型并表示时空模式。通过使用脉冲神经网络设计微型大脑，可以证明这一点，其中激活的神经元群体表示空间域中的信息，而传输信号表示时间域中的动态。输入视觉刺激激发的空间位置感觉神经元进一步激活运动神经元以触发运动反应，从而导致机器人代理的行为改变。首先，模拟一个孤立的大脑网络，以了解从感觉到运动神经元的激发部分，同时绘制膜电位和时间之间的波形。还绘制了网络对刺激机器人身体运动的响应以展示表示。模拟显示了特定视觉刺激的反应如何改变行为，并帮助我们理解身体和大脑的同步。感知的环境和由此产生的行为反应使我们能够研究身体与环境的相互作用。
从压缩效率的角度来改善尖峰神经网络的稀疏结构学习
人类大脑利用尖峰进行信息传输，并动态地重组其网络结构，以提高能源效率和认知能力的整个生命周期。从这种基于尖峰的计算中汲取灵感，已开发出尖峰神经网络（SNN）来构建模仿该效率的事件驱动的模型。尽管有这些进步，但在训练和推断期间，深SNN仍遭受过度参数化，与大脑自我组织的能力形成鲜明对比。此外，由于静态修剪比率保持最佳的修剪水平，现有的稀疏SNN受到挑战，导致下降或过度修剪。在本文中，我们为深SNN提出了一种新型的两阶段动态结构学习方法，旨在从头开始进行有效的稀疏训练，同时优化压缩效率。第一阶段使用PQ索引评估了SNN中现有稀疏子网络的可压缩性，这促进了基于数据压缩见解的突触连接的重新线的自适应确定。在第二阶段，这种重新布线的比率严格告知动态突触连接过程，包括修剪和再生。这种方法显着改善了对深SNN中稀疏结构训练的探索，从压缩效率的角度来动态地调整稀疏性。我们的实验表明，这种稀疏的训练方法不仅与当前的深SNNS模型的性能保持一致，而且还显着提高了压缩稀疏SNN的效率。至关重要的是，它保留了使用稀疏模型启动培训的优势，并为将AI授予神经形态硬件的边缘提供了有前途的解决方案。
海马CA1中的差分空间表示和在进化的尖峰神经网络中出现的亚表征
摘要 - 在啮齿动物的导航研究中，在海马次区域CA1和下毛（Sub）中都鉴定出空间反应，但这两个大脑区域似乎对空间特征进行了不同的编码。位于子位置细胞的位置比CA1更大且特异性较少。此外，子神经元显示出针对行进标题和轴的更强定向调制。基于记录在“ Triple-T”迷宫上执行导航任务的神经和行为数据，我们提出了一个尖峰的神经网络建模框架，以复制在CA1和SUB中观察到的响应属性。将峰值定时依赖性可塑性和同源缩放（STDP-H）的参数进化，以使两种不同的SNN类似于CA1的录音的响应，当大鼠穿越Triple-t Maze时。我们的结果表明，位置输入在形成CA1位置细胞中可能更具影响力，而Sub似乎同时集成了同类中心位置信息和自我运动提示，以编码“位置类别”。此外，我们的结果预测，这些区域中不同的空间响应可能部分归因于不同的stdp-H学习参数。此处介绍的框架可以用作自动参数调整系统，用于复制其他大脑区域的响应。
使用有机电化学晶体管阵列和脉冲神经模拟进行神经形态信号分类
摘要 — 神经形态计算是一个令人兴奋且发展迅速的领域，旨在创建能够复制人类大脑复杂动态行为的计算系统。有机电化学晶体管 (OECT) 因其独特的生物电子特性而成为开发此类系统的有前途的工具。在本文中，我们提出了一种使用 OECT 阵列进行信号分类的新方法，该方法表现出类似于通过全局介质连接的神经元和突触的多功能生物电子功能。我们的方法利用 OECT 的固有设备可变性来创建具有可变神经元时间常数和突触强度的储存器网络。我们通过将表面肌电图 (sEMG) 信号分为三个手势类别来证明我们方法的有效性。OECT 阵列通过多个门馈送信号并测量对具有全局液体介质的一组 OECT 的响应来执行有效的信号采集。我们比较了在有和没有将输入投射到 OECT 上的情况下我们的方法的性能，并观察到分类准确率显著提高，从 40% 提高到 68%。我们还研究了不同的选择策略和使用的 OECT 数量对分类性能的影响。最后，我们开发了一种基于脉冲神经网络的模拟，该模拟模仿了 OECT 阵列，并发现基于 OECT 的分类与基于脉冲神经网络的方法相当。我们的工作为下一代低功耗、实时和智能生物医学传感系统铺平了道路。
使用循环脉冲神经网络从皮质脉冲序列解码手指速度
摘要 — 侵入式皮质脑机接口 (BMI) 可以显著改善运动障碍患者的生活质量。尽管如此，外部安装的基座存在感染风险，因此需要完全植入的系统。然而，这样的系统必须满足严格的延迟和能量限制，同时提供可靠的解码性能。虽然循环脉冲神经网络 (RSNN) 非常适合在神经形态硬件上进行超低功耗、低延迟处理，但它们是否满足上述要求尚不清楚。为了解决这个问题，我们训练了 RSNN 来解码两只猕猴的皮质脉冲序列 (CST) 中的手指速度。首先，我们发现大型 RSNN 模型在解码精度方面优于现有的前馈脉冲神经网络 (SNN) 和人工神经网络 (ANN)。接下来，我们开发了一个微型 RSNN，它具有较小的内存占用、较低的发放率和稀疏连接。尽管计算要求降低了，但生成的模型的性能明显优于现有的 SNN 和 ANN 解码器。因此，我们的结果表明，RSNN 在资源受限的情况下提供了具有竞争力的 CST 解码性能，并且是完全植入式超低功耗 BMI 的有希望的候选者，具有彻底改变患者护理的潜力。索引术语 — 脉冲神经网络、脑机接口、皮质脉冲序列解码、神经形态硬件
CMOS-MEMRISTOR混合动力突触的设计及其在耐噪声的尖峰神经网络
鉴于数据量的越来越多，有一个显着的研究重点是硬件，可提供低功耗的高计算性能。值得注意的是，神经形态计算，尤其是在利用基于CMO的硬件时，已经表现出了有希望的研究成果。此外，越来越强调新兴突触设备（例如非挥发性记忆（NVM）），目的是实现增强的能量和面积效率。在这种情况下，我们设计了一个硬件系统，该硬件系统采用了1T1R突触的一种新兴突触。Memristor的操作特性取决于其与晶体管的配置，特别是它是位于晶体管的源（MOS）还是排水口（MOS）。尽管其重要性，但基于Memristor的操作电压的1T1R配置的确定仍然不足以在现有研究中探索。为了实现无缝阵列的扩展，至关重要的是要确保单位单元格适当设计以从初始阶段可靠地操作。因此，对这种关系进行了详细研究，并提出了相应的设计规则。香料模型。使用此模型，确定最佳晶体管选择并随后通过仿真验证。为了证明神经形态计算的学习能力，实现了SNN推理加速器。此实现利用了一个基于在此过程中开发的验证的1T1R模型构建的1T1R数组。使用降低的MNIST数据集评估了精度。结果证明了受大脑功能启发的神经网络操作成功地在高精度而没有错误的硬件中实现。此外，在DNN研究中通常使用的传统ADC和DAC被DPI和LIF神经元取代，从而实现了更紧凑的设计。通过利用DPI电路的低通滤波器效应来进一步稳定该设计，从而有效地降低了噪声。
一种受大脑启发的算法，可以以较低的计算成本缓解人工和脉冲神经网络的灾难性遗忘
大脑中的神经调节剂以多种形式的突触可塑性发挥作用，这些可塑性被表示为元可塑性，现有的脉冲神经网络 (SNN) 和非脉冲人工神经网络 (ANN) 很少考虑到这一点。在这里，我们报告了一种有效的受大脑启发的 SNN 和 ANN 计算算法，本文称为神经调节辅助信用分配 (NACA)，它使用期望信号将定义水平的神经调节剂诱导到选择性突触，从而根据神经调节剂水平以非线性方式修改长期突触增强和抑制。NACA 算法在学习空间和时间分类任务时实现了高识别准确率，同时大幅降低了计算成本。值得注意的是，NACA 还被证实可有效学习五种不同复杂程度的类别连续学习任务，并以低计算成本显著缓解灾难性遗忘。映射突触权重变化表明，这些好处可以通过基于期望的整体神经调节所导致的稀疏和有针对性的突触修改来解释。