1. Нейронное декодирование с обратной связью в реальном времени на нейроморфном чипе (arXiv)

Автор: Шеб Шейх, Роза Со, Тафадзва Сибинди, Камило Либедински, Ариндам Басу.

Аннотация: В этой статье впервые представлен нейроморфный декодер с замкнутым контуром в режиме реального времени, управляемый чипом внутрикортикального машинного интерфейса мозга (iBMI) в экспериментальной установке, основанной на нечеловеческих приматах (NHP). Расшифрованные результаты показывают процент успешных испытаний и среднее время достижения цели, сравнимые с результатами, полученными с помощью ручного джойстика. Были продемонстрированы успешные испытания нейронного контроля примерно в 96% случаев, полученных с помощью джойстика с ручным управлением. Кроме того, нейронное управление показало, что средняя скорость достижения цели составляет примерно 85% от скорости, полученной с помощью ручного джойстика. Эти результаты открывают путь к быстрым и точным, полностью имплантируемым нейроморфным нейронным декодерам в iBMI.

2. На пути к обучению вероятностных тематических моделей на нейроморфных многочиповых системах (arXiv)

Автор: Цзыхао Сяо, Цзяньфэй Чен, Цзюнь Чжу

Аннотация:Вероятностные тематические модели являются популярными методами обучения без учителя, включая вероятностное латентное семантическое индексирование (pLSI) и латентное распределение Дирихле (LDA). В настоящее время их обучение осуществляется на ЭВМ общего назначения (ЭВМ), гибких в программировании, но энергоемких. Что касается реализации с низким энергопотреблением, в этой статье исследуется их обучение новой аппаратной технологии, называемой нейроморфными многочиповыми системами (NMS). NMS очень эффективны для семейства алгоритмов, называемых импульсными нейронными сетями (SNN). Мы представляем три SNN для обучения тематических моделей. Первый SNN представляет собой пакетный алгоритм, сочетающий в себе традиционный алгоритм свернутой выборки Гиббса (CGS) и SNN логического вывода для обучения LDA. Два других SNN представляют собой онлайн-алгоритмы, предназначенные для сред с ограниченными энергоресурсами и хранилищем. Два онлайн-алгоритма эквивалентны обучению LDA за счет использования максимальной апостериорной оценки и максимизации полуколлапсной вероятности соответственно. Они используют новые адаптированные обыкновенные дифференциальные уравнения для стохастической оптимизации. Мы моделируем новые алгоритмы и показываем, что они сопоставимы с алгоритмами GPC, но при этом подходят для реализации NMS. Мы также предлагаем расширение для обучения pLSI и метод обрезки сети, чтобы подчиняться ограниченному расширению некоторых NMS.

3. Повышение точности классификации нейронных сетей с прямой связью для добавления нейроморфных чипов (arXiv)

Автор:Антонио Химено Йепес, Цзяньбинь Тан, Бенджамин Скотт Машфорд

Аннотация. Глубокие нейронные сети (DNN) достигают производительности человеческого уровня во многих задачах анализа изображений, но DNN в основном развернуты на платформах GPU, которые потребляют значительное количество энергии. Новые аппаратные платформы, использующие арифметические операции с меньшей точностью, обеспечивают резкое снижение энергопотребления. Совсем недавно нейроморфные чипы, вдохновленные мозгом, достигли еще более низкого энергопотребления, порядка милливатт, при этом предлагая обработку в реальном времени. Однако для развертывания DNN в энергоэффективных нейроморфных чипах необходимо преодолеть несовместимость между непрерывными нейронами и синаптическими весами традиционных DNN, дискретными импульсными нейронами и синапсами нейроморфных чипов. В предыдущей работе это было достигнуто путем обучения сети обучению непрерывным вероятностям, прежде чем она будет развернута в нейроморфной архитектуре, такой как IBM TrueNorth Neurosynaptic System, путем случайной выборки этих вероятностей. Основным вкладом этой статьи является новый алгоритм обучения, который изучает конфигурацию TrueNorth, готовую к развертыванию. Мы достигаем этого, обучая непосредственно бинарную аппаратную перемычку, которая соответствует ограничениям конфигурации аксонов TrueNorth, и мы предлагаем другую модель нейрона. Результаты нашего подхода, основанного на данных электроэнцефалограммы (ЭЭГ), демонстрируют значительное улучшение по сравнению с предыдущей работой (точность 76% против 86%) при сохранении современных характеристик набора рукописных данных MNIST.