#今日论文推荐#一种新的神经形态计算架构,可以更有效地运行深度神经网络
随着人工智能和深度学习技术变得越来越先进,工程师将需要创建能够可靠且高效地运行其计算的硬件。受人脑结构和生物学启发的神经形态计算硬件,在支持复杂的深度神经网络(DNN)的操作方面可能有巨大前景。
基于尖峰的神经形态硬件有望实现比 GPU 等标准硬件更节能的 DNN。但这需要我们了解如何在基于事件的稀疏触发机制中模拟 DNN,否则会失去能量优势。特别是,解决序列处理任务的 DNN 通常使用长短期记忆单元,这些单元很难用很少的尖峰来模拟。
英特尔和格拉茨理工大学的合作团队表明,许多生物神经元的一个现象,每个尖峰后的超极化后电流缓慢,这提供了一种有效的解决方案。后超极化电流可以很容易地在支持多室神经元模型的神经形态硬件中实现,例如英特尔的 Loihi 芯片。
高斯滤波器逼近理论解释了,为什么超极化后神经元可以模拟长短期记忆单元的功能。这产生了一种高能效的时间序列分类方法。此外,它为高效执行一类重要的大型 DNN 提供了基础。
该研究以「A Long Short-Term Memory for AI Applications in Spike-based Neuromorphic Hardware」为题,于 2022 年 5 月 19 日发布在《Nature Machine Intelligence》。
论文题目:A Long Short-Term Memory for AI Applications in Spike-based Neuromorphic Hardware
详细解读:https://www.aminer.cn/research_report/62b16c277cb68b460fd7d286?download=falsehttps://www.aminer.cn/research_report/62b16c277cb68b460fd7d286?download=false
AMiner链接:https://www.aminer.cn/?f=cs