XiaoMi-AI文件搜索系统
World File Search System随机脉冲
利用超顺磁体中的概率切换实现神经形态系统中的时间信息编码
摘要 — 脑启发计算利用神经科学原理来支撑大脑在解决认知任务方面无与伦比的效率 — 正在成为一种有前途的途径，以解决当今深度学习面临的若干算法和计算挑战。尽管如此，当前的神经形态计算研究是由我们在执行确定性操作的计算平台上运行深度学习算法的完善概念驱动的。在本文中，我们认为在概率神经形态系统中采用不同的方式执行时间信息编码可能有助于解决该领域的一些当前挑战。本文将超顺磁隧道结视为一种潜在的途径，以实现新一代脑启发计算，它结合了计算神经科学的两个互补见解的各个方面和相关优势 — — 信息如何编码以及计算如何在大脑中发生。硬件算法协同设计分析证明 97。由于时间信息编码，状态压缩的 3 层自旋电子学使随机脉冲网络在 MNIST 数据集上具有高脉冲稀疏度，准确率为 41%。
RISC-V 工具链和基于敏捷开发的开放...
本文提出了一种低功耗神经形态处理器——文曲星 22A，它将通用 CPU 功能与 SNN 相结合，利用 RISC-V SNN 扩展指令对其进行高效计算。文曲星 22A 的主要思想是将 SNN 计算单元集成到通用 CPU 的流水线中，利用定制的 RISC-V SNN 指令 1.0（RV-SNN 1.0）、精简泄漏积分和发射 (LIF) 模型和二元随机脉冲时序相关塑性 (STDP) 实现低功耗计算。文曲星 22A 的源代码已在 Gitee 1 和 GitHub 1 上在线发布。我们将文曲星 22A 应用于 MNIST 数据集的识别，以与其他 SNN 系统进行比较。实验结果表明，文曲星22A相比加速器解决方案ODIN能耗降低了5.13倍，3位ODIN在线学习的分类准确率约为85.00%，1位文曲星22A的分类准确率约为91.91%。
脉冲神经网络的最优控制
控制理论提供了一种自然语言来描述多区域交互和灵活的认知任务，例如隐性注意力或脑机接口 (BMI) 实验，这些实验需要找到足够的局部电路输入，以便以上下文相关的方式控制其动态。在最佳控制中，目标动态应该最大化沿轨迹的长期价值概念，可能受控制成本的影响。由于这个问题通常难以处理，因此当前控制网络的方法大多考虑简化设置（例如，线性二次调节器的变体）。在这里，我们提出了一个数学框架，用于对具有低秩连接的随机脉冲神经元的循环网络进行最佳控制。一个基本要素是控制成本，它惩罚偏离网络默认动态（由其循环连接指定），从而促使控制器尽可能使用默认动态。我们推导出一个贝尔曼方程，该方程指定低维网络状态 (LDS) 的值函数和相应的最佳控制输入。最优控制律采用反馈控制器的形式，如果神经元的脉冲活动倾向于将 LDS 移向更高（更低）值的区域，则该控制器向循环网络中的神经元提供外部兴奋性（抑制性）突触输入。我们使用我们的理论来研究将网络状态引导到特定终端区域的问题，这些终端区域可以位于 LDS 中具有慢速动态的区域内或区域外，类似于标准 BMI 实验。我们的结果为一种具有广泛适用性的新方法奠定了基础，该方法统一了神经计算的自下而上和自上而下的视角。