Neuromorphic Auditory Perception by Neural Spiketrum

要約

ニューロモーフィック コンピューティングは、生物学的神経システムのエネルギー効率と堅牢な学習パフォーマンスを達成する可能性を秘めています。
約束された脳のような知能を実現するには、生物学的神経基質のニューロモーフィックなハードウェア アーキテクチャ設計と、スパイクベースのエンコードと学習によるハードウェア友好的なアルゴリズムの課題を解決する必要があります。
ここでは、時変アナログ信号 (通常は聴覚信号) を特徴付け、計算効率の高い時空間スパイク パターンに変換するために、spiketrum と呼ばれるニューラル スパイク コーディング モデルを導入します。
アナログからスパイクへの変換時に発生する情報損失を最小限に抑え、神経変動やスパイク損失に対する情報の堅牢性を備えています。
このモデルは、正確に制御可能なスパイク レートを備えたスパースで効率的なコーディング スキームを提供し、さまざまな聴覚認識タスクにおけるスパイク ニューラル ネットワークのトレーニングを容易にします。
さらに、ニューロモルフィック蝸牛プロトタイプを通じてアルゴリズムとハードウェアの共同設計を調査します。これは、私たちのアプローチがスパイクベースの計算でその利点を最大限に活用することにより、スパイクベースの人工知能のための体系的なソリューションを提供できることを実証します。

要約(オリジナル)

Neuromorphic computing holds the promise to achieve the energy efficiency and robust learning performance of biological neural systems. To realize the promised brain-like intelligence, it needs to solve the challenges of the neuromorphic hardware architecture design of biological neural substrate and the hardware amicable algorithms with spike-based encoding and learning. Here we introduce a neural spike coding model termed spiketrum, to characterize and transform the time-varying analog signals, typically auditory signals, into computationally efficient spatiotemporal spike patterns. It minimizes the information loss occurring at the analog-to-spike transformation and possesses informational robustness to neural fluctuations and spike losses. The model provides a sparse and efficient coding scheme with precisely controllable spike rate that facilitates training of spiking neural networks in various auditory perception tasks. We further investigate the algorithm-hardware co-designs through a neuromorphic cochlear prototype which demonstrates that our approach can provide a systematic solution for spike-based artificial intelligence by fully exploiting its advantages with spike-based computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google