CN105874478A - 用于自动纠错的同时的等待时间编码和速率编码 - Google Patents
用于自动纠错的同时的等待时间编码和速率编码 Download PDFInfo
- Publication number
- CN105874478A CN105874478A CN201480072237.9A CN201480072237A CN105874478A CN 105874478 A CN105874478 A CN 105874478A CN 201480072237 A CN201480072237 A CN 201480072237A CN 105874478 A CN105874478 A CN 105874478A
- Authority
- CN
- China
- Prior art keywords
- spike
- stimulation
- neuron
- sequence
- partially
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Detection And Correction Of Errors (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
Abstract
提供了用于在人工神经系统中使用尖峰发动和尖峰计数两者来标识环境刺激的方法和装置。一种操作人工神经系统的示例方法一般包括:接收刺激;在人工神经元处至少部分地基于该刺激来生成具有两个或更多个尖峰的尖峰序列;至少部分地基于该尖峰序列的发动来标识该刺激;以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。以此方式,本公开的某些方面可用短响应等待时间来作出响应并且还可通过允许纠错来维持准确度。
Description
根据35U.S.C.§119的优先权要求
本申请要求于2014年1月6日提交且题为“Simultaneous Latency andRate Coding for Automatic Error Correction(用于自动纠错的同时的等待时间编码和速率编码)”的美国临时专利申请S/N.61/924,074以及于2014年5月16日提交的美国申请S/N.14/279,375的权益,这两篇申请的全部内容通过援引纳入于此。
背景
领域
本公开的某些方面一般涉及人工神经系统,尤其涉及在人工神经系统中使用尖峰发动和尖峰计数两者来辨别环境刺激。
背景技术
可包括一群互连的人工神经元(即神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构和/或功能。然而,人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能,因此这样的网络在因任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是特别有用的。
一种类型的人工神经网络是尖峰(spiking)神经网络,其将时间概念以及神经元状态和突触状态纳入到其工作模型中,由此提供了丰富的行为集,在神经网络中能从该行为集涌现出计算功能。尖峰神经网络基于以下概念:神经元基于该神经元的状态在一个或多个特定时间激发或“发放尖峰”,并且该时间对于神经元功能而言是重要的。当神经元激发时,它生成一尖峰,该尖峰行进至其他神经元,这些其他神经元继而可基于接收到该尖峰的时间来调整它们的状态。换言之,信息可被编码在神经网络中的尖峰的相对或绝对定时中。
概述
本公开的某些方面一般涉及使用等待时间编码和速率编码两者(例如,分别为尖峰发动和在一时间窗口内的尖峰计数)来标识和区分由人工神经系统所接收的环境刺激。
本公开的某些方面提供了一种用于操作人工神经系统的方法。该方法一般包括:接收刺激;在第一设备(例如,人工神经元)处至少部分地基于该刺激来生成具有两个或更多个尖峰的尖峰序列;至少部分地基于该尖峰序列的发动来标识该刺激;以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。
本公开的某些方面提供了一种用于操作人工神经系统的装置。该装置通常包括处理系统和耦合至该处理系统的存储器。该处理系统一般被配置成:接收刺激,至少部分地基于该刺激来生成具有两个或更多个尖峰的尖峰序列,至少部分地基于该尖峰序列的发动来标识该刺激,以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。
本公开的某些方面提供了一种用于操作人工神经系统的设备。该设备一般包括:用于接收刺激的装置,用于至少部分地基于该刺激来生成具有两个或更多个尖峰的尖峰序列的装置,用于至少部分地基于该尖峰序列的发动来标识该刺激的装置,以及用于至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激的装置。
本公开的某些方面提供了一种用于操作人工神经系统的计算机程序产品。该计算机程序产品一般包括具有指令的计算机可读介质,这些指令可执行以用于:接收刺激,至少部分地基于该刺激来生成具有两个或更多个尖峰的尖峰序列,至少部分地基于该尖峰序列的发动来标识该刺激,以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。
本公开的某些方面提供了一种用于在人工神经系统中标识刺激的方法。该方法一般包括:在人工神经元处接收具有两个或更多个尖峰的尖峰序列,至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰,以及至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰。
本公开的某些方面提供了一种用于在人工神经系统中标识刺激的装置。该装置通常包括处理系统和耦合至该处理系统的存储器。该处理系统一般被配置成:在人工神经元处接收具有两个或更多个尖峰的尖峰序列,至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰,以及至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰。
本公开的某些方面提供了一种用于在人工神经系统中标识刺激的设备。该设备一般包括:用于在人工神经元处接收具有两个或更多个尖峰的尖峰序列的装置,用于至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰的装置,以及用于至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰的装置。
本公开的某些方面提供了一种用于在人工神经系统中标识刺激的计算机程序产品。该计算机程序产品一般包括具有指令的计算机可读介质(例如,计算机可读存储设备),这些指令可执行以用于:在人工神经元处接收具有两个或更多个尖峰的尖峰序列,至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰,以及至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰。
附图简述
为了能详细理解本公开的以上陈述的特征所用的方式,可参照各方面来对以上简要概述的内容进行更具体的描述,其中一些方面在附图中解说。然而应该注意,附图仅解说了本公开的某些典型方面,故不应被认为限定其范围,因为本描述可允许有其他等同有效的方面。
图1解说了根据本公开某些方面的示例神经元网络。
图2解说根据本公开某些方面的计算网络(神经系统或神经网络)的示例处理单元(神经元)。
图3解说了根据本公开某些方面的示例尖峰定时依赖可塑性(STDP)曲线。
图4是根据本公开某些方面的用于人工神经元的状态的示例曲线图,其解说用于定义神经元的行为的正态相和负态相。
图5A-5C解说了根据本公开某些方面的各种突触后电位函数。
图6解说了根据本公开某些方面的对两种不同视觉刺激的示例神经响应以及用于区别各刺激的各种响应度量。
图7解说了根据本公开某些方面的三种不同输入电流、以及输入强度、尖峰计数和尖峰等待时间之间的相关性。
图8解说了根据本公开某些方面的在辨别不同刺激时在速度与准确度之间的示例折衷。
图9解说了根据本公开某些方面的响应于刺激的检测器神经元的示例操作,该刺激具有由尖峰间间隔(ISI)分开的一对尖峰。
图10解说了根据本公开某些方面的用于针对此刺激分布启用同时的重合性检测和事件计数的兴奋性突触后电流(EPSC)形状。
图11解说根据本公开某些方面的演示来自图10的刺激分布的示例接受器神经元的操作。
图12解说根据本公开某些方面的示例检测器神经元的操作,该检测器神经元实现来自图10的示例EPSC设计,并由此既用作重合性检测器又用作事件计数器。
图13解说了根据本公开某些方面的输入尖峰速率和针对图12的示例检测器神经元行为的ISI的曲线图。
图14解说了根据本公开某些方面的同时使用等待时间编码和速率编码的示例。
图15解说了根据本公开某些方面的另一示例刺激分布和用于针对此刺激分布在单个神经元中启用发动检测和事件计数的示例一维(1D)检测器神经元设计。
图16解说了根据本公开某些方面的示例二维(2D)神经元设计。
图17解说了根据本公开某些方面的图16的示例2D神经元,其比图15的示例1D神经元提供发动检测器/计数器行为之间更尖锐的转变。
图18解说了根据本公开某些方面的在图16的示例2D检测器神经元中同时使用等待时间编码和速率编码的示例。
图19和图20是根据本公开某些方面的输出定时相对于输入强度的曲线图,其解说了当噪声扰乱较早的等待时间编码时,较晚的ISI编码可如何保持稳健的示例。
图21解说了根据本公开某些方面的示例人工神经系统的一部分,该人工神经系统使用等待时间和尖峰计数信息两者来标识刺激。
图22解说根据本公开某些方面的在图21的示例人工神经系统中由尖峰间间隔指示的刺激标识错误的示例。
图23解说根据本公开某些方面的在图21的示例人工神经系统中检测等待时间编码中的错误的示例。
图24是根据本公开某些方面的用于操作人工神经系统的示例操作的流程图。
图24A解说了根据本公开某些方面的能够执行图24的操作的示例组件。
图25解说根据本公开某些方面的用于使用通用处理器来操作人工神经系统的示例实现。
图26解说根据本公开某些方面的用于操作人工神经系统的示例实现,其中存储器可与个体分布式处理单元对接。
图27解说了根据本公开某些方面的用于基于分布式存储器和分布式处理单元来操作人工神经系统的示例实现。
图28解说了根据本公开某些方面的神经网络的示例实现。
详细描述
以下参照附图更全面地描述本公开的各个方面。然而,本公开可用许多不同形式来实施并且不应解释为被限定于本公开通篇给出的任何具体结构或功能。相反,提供这些方面是为了使得本公开将是透彻和完整的,并且其将向本领域技术人员完全传达本公开的范围。基于本文中的教导,本领域技术人员应领会,本公开的范围旨在覆盖本文中所披露的本公开的任何方面,不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如,可以使用本文所阐述的任何数目的方面来实现装置或实践方法。另外,本公开的范围旨在覆盖使用作为本文中所阐述的本公开的各种方面的补充或者另外的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解,本文中所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
措辞“示例性”在本文中用于表示“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
尽管本文描述了特定方面,但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点,但本公开的范围并非旨在被限定于特定益处、用途或目标。相反,本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议,其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开,本公开的范围由所附权利要求及其等效技术方案来定义。
示例神经系统
图1解说根据本公开某些方面的具有多级神经元的示例神经系统100。神经系统100可包括一级神经元102,该级神经元102通过突触连接网络104(即,前馈连接)来连接到另一级神经元106。为简单起见,图1中仅解说了两级神经元,但在典型的神经系统中可存在更少或更多级神经元。应注意,一些神经元可通过侧向连接来连接至同层中的其他神经元。此外,一些神经元可通过反馈连接来后向连接至先前层中的神经元。
如图1所解说的,级102中的每一神经元可接收输入信号108,输入信号108可以是由前一级(图1中未示出)的多个神经元所生成的。信号108可表示至级102的神经元的输入(例如,输入电流)。此类输入可在神经元膜上累积以对膜电位进行充电。当膜电位达到其阈值时,该神经元可激发并生成输出尖峰,该输出尖峰将被传递到下一级神经元(例如,级106)。此类行为可在硬件和/或软件(包括模拟和数字实现)中进行仿真或模拟。
在生物学神经元中,在神经元激发时生成的输出尖峰被称为动作电位。该电信号是相对迅速、瞬态、全有或全无的神经脉冲,其具有约为100mV的振幅和约为1ms的历时。在具有一系列连通的神经元(例如,尖峰从图1中的一级神经元传递至另一级)的神经系统的特定方面,每个动作电位都具有基本上相同的振幅和历时,因此该信号中的信息仅由尖峰的频率和数目(或尖峰的时间)来表示,而不由振幅来表示。动作电位所携带的信息由尖峰、发放尖峰的神经元、以及该尖峰相对于一个或多个其他尖峰的时间来决定。
尖峰从一级神经元向另一级神经元的传递可通过突触连接(或简称“突触”)网络104来达成,如图1所解说的。突触104可从级102的神经元(相对于突触104而言的突触前神经元)接收输出信号(即尖峰)。对于某些方面,这些信号可根据可调节突触权重(其中P是级102和106的神经元之间的突触连接的总数)来缩放。对于其它方面,突触104可以不应用任何突触权重。此外,(经缩放)信号可被组合以作为级106中每个神经元(相对于突触104而言的突触后神经元)的输入信号。级106中的每个神经元可基于对应的组合输入信号来生成输出尖峰110。随后可使用另一突触连接网络(图1中未示出)将这些输出尖峰110传递到另一级神经元。
生物学突触可被分类为电的或化学的。电突触主要用于发送兴奋性信号,而化学突触可调停突触后神经元中的兴奋性或抑制性(超极化)动作,并且还可用于放大神经元信号。兴奋性信号通常使膜电位去极化(即,相对于静息电位增大膜电位)。如果在某个时段内接收到足够的兴奋性信号以使膜电位去极化到高于阈值,则在突触后神经元中发生动作电位。相反,抑制性信号一般使膜电位超极化(即,降低膜电位)。抑制性信号如果足够强则可抵消掉兴奋性信号之和并阻止膜电位到达阈值。除了抵消掉突触兴奋以外,突触抑制还可对自发活跃神经元施加强力的控制。自发活动神经元是指在没有进一步输入的情况下(例如,由于其动态或反馈而)发放尖峰的神经元。通过压制这些神经元中的动作电位的自发生成,突触抑制可对神经元中的激发模式进行定形,这一般被称为雕刻。取决于期望的行为,各种突触104可充当兴奋性或抑制性突触的任何组合。
神经系统100可由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件、由处理器执行的软件模块、或其任何组合来仿真。神经系统100可用在大范围的应用中,诸如图像和模式识别、机器学习、电机控制、及类似应用等。神经系统100中的每个神经元(或神经元模型)都可以被实现为神经元电路。被充电至发起输出尖峰的阈值的神经元膜可被实现为例如对流经其的电流进行积分的电容器。
在一方面,电容器作为神经元电路的电流积分器件可被除去,并且可使用较小的忆阻器元件来替代它。这种办法可应用于神经元电路中,以及其中大容量电容器被用作电流积分器的各种其他应用中。另外,每个突触104可基于忆阻器元件来实现,其中突触权重改变可与忆阻器电阻的变化有关。使用纳米特征尺寸的忆阻器,可显著地减小神经元电路和突触的面积,这可使得实现超大规模神经系统硬件实现变得可行。
对神经系统100进行仿真的神经处理器的功能性可取决于突触连接的权重,这些权重可控制神经元之间的连接的强度。突触权重可存储在非易失性存储器中以在掉电之后保留该处理器的功能性。在一方面,突触权重存储器可实现在与主神经处理器芯片分开的外部芯片上。突触权重存储器可与神经处理器芯片分开地封装成可更换的存储卡。这可向神经处理器提供多种多样的功能性,其中特定功能性可基于当前附连至神经处理器的存储卡中所存储的突触权重。
图2解说根据本公开某些方面的计算网络(例如,神经系统或神经网络)的处理单元(例如,人工神经元202)的示例200。例如,神经元202可对应于来自图1的级102和106的任一个神经元。神经元202可接收多个输入信号2041-204N(x1-xN),这些输入信号可以是该神经系统外部的信号、或是由同一神经系统的其他神经元所生成的信号、或这两者。输入信号可以是实数值或复数值的电流或电压。输入信号可包括具有定点或浮点表示的数值。可通过突触连接将这些输入信号递送到神经元202,这些突触连接根据可调节突触权重2061-206N(w1-wN)对这些信号进行缩放,其中N可以是神经元202的输入连接的总数。
神经元202可组合这些经缩放的输入信号,并且使用组合的经缩放的输入来生成输出信号208(即,信号y)。输出信号208可以是实数值或复数值的电流或电压。输出信号可包括具有定点或浮点表示的数值。随后该输出信号208可作为输入信号传递至同一神经系统的其他神经元、或作为输入信号传递至同一神经元202、或作为该神经系统的输出来传递。
处理单元(神经元202)可由电路来仿真,并且其输入和输出连接可由具有突触电路的导线来仿真。处理单元、其输入和输出连接也可由软件代码来仿真。处理单元也可由电路来仿真,而其输入和输出连接可由软件代码来仿真。在一方面,计算网络中的处理单元可包括模拟电路。在另一方面,处理单元可包括数字电路。在又一方面,处理单元可包括具有模拟和数字组件两者的混合信号电路。计算网络可包括任何前述形式的处理单元。使用这样的处理单元的计算网络(神经系统或神经网络)可用在大范围的应用中,诸如图像和模式识别、机器学习、电机控制、及类似应用等。
在神经网络的训练过程期间,突触权重(例如,来自图1的权重和/或来自图2的权重2061-206N)可用随机值来初始化并根据学习规则而增大或减小。学习规则的某些示例是尖峰定时依赖型可塑性(STDP)学习规则、Hebb规则、Oja规则、Bienenstock-Copper-Munro(BCM)规则等。很多时候,这些权重可稳定至两个值(即,权重的双峰分布)之一。该效应可被用于减少每突触权重的位数、提高从/向存储突触权重的存储器读取和写入的速度、以及降低突触存储器的功耗。
突触类型
在神经网络的硬件和软件模型中,突触相关功能的处理可基于突触类型。突触类型可包括非可塑突触(对权重和延迟没有改变)、可塑突触(权重可改变)、结构化延迟可塑突触(权重和延迟可改变)、全可塑突触(权重、延迟和连通性可改变)、以及基于此的变型(例如,延迟可改变,但在权重或连通性方面没有改变)。此举的优点在于处理可以被细分。例如,非可塑突触不会要求执行可塑性功能(或等待此类功能完成)。类似地,延迟和权重可塑性可被细分成可一起或分开地、顺序地或并行地运作的操作。不同类型的突触对于适用的每一种不同的可塑性类型可具有不同的查找表或公式以及参数。因此,这些方法将针对该突触的类型来访问相关的表。
还进一步牵涉到以下事实:尖峰定时依赖型结构化可塑性可独立于突触可塑性地来执行。结构化可塑性即使在权重幅值没有改变的情况下(例如,如果权重已达最小或最大值、或者其由于某种其他原因而不改变)也可执行,因为结构化可塑性(即,延迟改变的量)可以是pre-post(突触前-突触后)尖峰时间差的直接函数。替换地,结构化可塑性可被设为权重改变量的函数或者可基于与权重或权重改变的界限有关的条件来设置。例如,突触延迟可仅在发生权重改变时或者在权重到达0的情况下才改变,但在权重达到最大极限时不改变。然而,具有独立函数以使得这些过程能被并行化从而减少存储器访问的次数和交叠可能是有利的。
突触可塑性的确定
神经元可塑性(或简称“可塑性”)是大脑中的神经元和神经网络响应于新的信息、感官刺激、发展、损坏、或机能障碍而改变其突触连接和行为的能力。可塑性对于生物学中的学习和记忆、以及对于计算神经元科学和神经网络是重要的。已经研究了各种形式的可塑性,诸如突触可塑性(例如,根据赫布理论)、尖峰定时依赖可塑性(STDP)、非突触可塑性、活动性依赖可塑性、结构化可塑性和自身稳态可塑性。
STDP是调节神经元(诸如大脑中的那些神经元)之间的突触连接的强度的学习过程。连接强度是基于特定神经元的输出与收到输入尖峰(即,动作电位)的相对定时来调节的。在STDP过程下,如果至某个神经元的输入尖峰平均而言倾向于紧挨在该神经元的输出尖峰之前发生,则可发生长期增强(LTP)。于是使得该特定输入在一定程度上更强。相反,如果输入尖峰平均而言倾向于紧接在输出尖峰之后发生,则可发生长期抑压(LTD)。于是使得该特定输入在一定程度上更弱,由此得名为“尖峰定时依赖可塑性”。因此,使得可能是突触后神经元兴奋原因的输入甚至更有可能在将来作出贡献,而使得不是突触后尖峰的原因的输入较不可能在将来作出贡献。该过程继续,直至初始连接集的子集保留,而所有其他连接的影响减轻至0或接近0。
由于神经元一般在其许多输入都在一短时段内发生(即,足以累积到引起输出)时产生输出尖峰,因此通常保留下来的输入子集包括倾向于在时间上相关的那些输入。另外,由于在输出尖峰之前发生的输入被加强,因此提供对相关性的最早充分累积指示的输入将最终变成至该神经元的最后输入。
STDP学习规则可因变于突触前神经元的尖峰时间tpre与突触后神经元的尖峰时间tpost之间的时间差(即,t=tpost-tpre)来有效地适配将该突触前神经元连接到该突触后神经元的突触的突触权重。STDP的典型公式是若该时间差为正(突触前神经元在突触后神经元之前激发)则增大突触权重(即,增强该突触),以及若该时间差为负(突触后神经元在突触前神经元之前激发)则减小突触权重(即,抑压该突触)。
在STDP过程中,突触权重随时间推移的改变可通常使用指数衰退来达成,如由下式给出的:
其中k+和k-分别是针对正和负时间差的时间常数,a+和a-是对应的缩放幅值(a-按照惯例通常为负),以及μ是可应用于正时间差和/或负时间差的偏移。
图3解说根据STDP,突触权重因变于突触前尖峰(pre)和突触后尖峰(post)的相对定时而改变的示例曲线图300。如果突触前神经元在突触后神经元之前激发,则可使对应的突触权重增大,如曲线图300的部分302中所解说的。该权重增大可被称为该突触的LTP。从曲线图部分302可观察到,LTP的量可因变于突触前和突触后尖峰时间之差而大致呈指数地下降。相反的激发次序可减小突触权重,如曲线图300的部分304中所解说的,从而导致该突触的LTD。
如图3中的曲线图300中所解说的,可向STDP曲线图的LTP(因果性)部分302应用负偏移μ。x轴的交越点306(y=0)可被配置成与最大时间滞后重合以考虑到来自层i-1(突触前层)的各因果性输入的相关性。在基于帧的输入(即,输入是按包括尖峰或脉冲的特定历时的帧的形式)的情形中,可计算偏移值μ以反映帧边界。该帧中的第一输入尖峰(脉冲)可被视为随时间衰退,要么如直接由突触后电位所建模地、要么以对神经状态的影响的形式而随时间衰退。如果该帧中的第二输入尖峰(脉冲)被视为与特定时间帧关联或相关,则该帧之前和之后的相关时间可通过偏移STDP曲线的一个或多个部分以使得相关时间中的值可以不同(例如,对于大于一个帧为负,而对于小于一个帧为正)来在该时间帧边界处被分开并在可塑性方面被不同地对待。例如,负偏移μ可被设为偏移LTP以使得曲线实际上在大于帧时间的pre-post时间处变得低于零并且它由此为LTD而非LTP的一部分。
神经元模型及操作
存在一些用于设计有用的尖峰发放神经元模型的一般原理。良好的神经元模型在以下两个计算态相(regime)方面可具有丰富的潜在行为:重合性检测和功能性计算。此外,良好的神经元模型应当具有允许时间编码的两个特性:(1)输入的抵达时间影响输出时间;以及(2)重合性检测具有窄时间窗。最后,为了在计算上是有吸引力的,良好的神经元模型在连续时间上可具有闭合形式解,并且具有稳定的行为,包括在靠近吸引子和鞍点之处。换言之,有用的神经元模型是可实践且可被用于建模丰富的、现实的且生物学一致的行为并且可被用于对神经电路进行工程设计和反向工程两者的神经元模型。
神经元模型可取决于事件,诸如输入抵达、输出尖峰或其他事件,无论这些事件是内部的还是外部的。为了达成丰富的行为库,能展现复杂行为的状态机可能是期望的。如果事件本身的发生在撇开输入贡献(若有)的情况下能影响状态机并约束在该事件之后的动态,则该系统的将来状态并非仅是状态和输入的函数,而是状态、事件和输入的函数。
在一方面,神经元n可被建模为尖峰带泄漏积分激发神经元,其膜电压vn(t)由以下动态来支配:
其中α和β是参数(α按照惯例通常为负),wm,n是将突触前神经元m连接至突触后神经元n的突触的突触权重,以及ym(t)是神经元m的尖峰输出,其可根据Δtm,n被延迟达树突或轴突延迟才抵达神经元n的胞体。
应注意,从建立了对突触后神经元的充分输入的时间直至突触后神经元实际上激发的时间之间存在延迟。在动态尖峰神经元模型(诸如Izhikevich简单模型)中,如果在去极化阈值vt与峰值尖峰电压vpeak之间有差量,则可引发时间延迟。例如,在该简单模型中,神经元胞体动态可由关于电压和恢复的微分方程对来支配,即:
其中v是膜电位,u是膜恢复变量,k是描述膜电位v的时间尺度的参数,a是描述恢复变量u的时间尺度的参数,b是描述恢复变量u对膜电位v的阈下波动的敏感度的参数,vr是膜静息电位,I是突触电流,以及C是膜的电容。根据该模型,神经元被定义为在v>vpeak时发放尖峰。
Hunzinger Cold模型
Hunzinger Cold神经元模型是能再现丰富多样的各种神经行为的最小双态相尖峰发放线性动态模型。该模型的一维或二维线性动态可具有两个态相,其中时间常数(以及耦合)可取决于态相。在阈下态相中,时间常数(按照惯例为负)表示泄漏通道动态,其一般作用于以生物学一致的线性方式使细胞返回到静息。阈上态相中的时间常数(按照惯例为正)反映抗泄漏通道动态,其一般驱动细胞发放尖峰,而同时在尖峰生成中引发等待时间。
如图4的恢复电位(u)相对于膜电位(v)的曲线图中所解说的,该模型的动态可被划分成两个(或更多个)态相。这些态相可被称为负态相402(也可互换地称为带漏泄积分激发(LIF)态相,勿与LIF神经元模型混淆)以及正态相404(也可互换地称为抗漏泄积分激发(ALIF)态相,勿与ALIF神经元模型混淆)。在静息电位(v-)与激发阈值(v+)之间的的负态相402中,状态在将来事件的时间趋向于静息(v-)。在该负态相中,该模型一般展现出时间输入检测性质及其他阈下行为。在v+与峰值电压(vs)之间的正态相404中,状态趋向于尖峰发放事件(vs)。在该正态相中,该模型展现出计算性质,诸如取决于后续输入事件而引发发放尖峰的等待时间。在事件方面对动态进行公式化以及将动态分成这两个态相是该模型的基础特性。
线性双态相二维动态(对于状态v和u)可按照惯例定义为:
其中qρ和r是用于耦合的线性变换变量。
符号ρ在本文中用于标示动态态相,在讨论或表达具体态相的关系时,按照惯例对于负态相和正态相分别用符号“-”或“+”来替换符号ρ。
模型状态通过膜电位(电压)v和恢复电流u来定义。在基本形式中,态相在本质上是由模型状态来决定的。该精确和通用的定义存在一些细微却重要的方面,但目前考虑该模型在电压v高于阈值(v+)的情况下处于正态相404中,否则处于负态相402中。
态相依赖型时间常数包括负态相时间常数τ-和正态相时间常数τ+。恢复电流时间常数τu通常是与态相无关的。出于方便起见,负态相时间常数τ-通常被指定为反映衰退的负量,从而用于电压演变的相同表达式可用于正态相,在正态相中指数和τ+将一般为正,正如τu那样。
这两个状态元素的动态可在发生事件之际通过使状态偏离其零倾线(null-cline)的变换来耦合,其中变换变量为:
qρ=-τρβu-vρ (7)
r=δ(v+ε) (8)
其中δ、ε、β和v-、v+是参数。vρ的两个值是这两个态相的参考电压的基数。参数v-是负态相的基电压,并且膜电位在负态相中一般将朝向v-衰退。参数v+是正态相的基电压,并且膜电位在正态相中一般将趋向于背离v+。
v和u的零倾线分别由变换变量qρ和r的负数给出。参数δ是控制u零倾线的斜率的缩放因子。参数ε通常被设为等于-v-。参数β是控制这两个态相中的v零倾线的斜率的电阻值。τρ时间常数参数不仅控制指数衰退,还单独地控制每个态相中的零倾线斜率。
该模型被定义为在电压v达值vS时发放尖峰。随后,状态通常在发生复位事件(其在技术上可以与尖峰事件完全相同)时被复位:
u=u+Δu (10)
其中和Δu是参数。复位电压通常被设为v-。
依照瞬时耦合的原理,闭合形式解不仅对于状态是可能的(且具有单个指数项),而且对于到达特定状态所需的时间也是可能的。闭合形式状态解为:
因此,模型状态可仅在发生事件之际被更新,诸如基于输入(突触前尖峰)或输出(突触后尖峰)而被更新。还可在任何特定时间(无论是否有输入或输出)执行操作。
而且,依照瞬时耦合原理,可以预计突触后尖峰的时间,因此到达特定状态的时间可提前被确定而无需迭代技术或数值方法(例如,欧拉数值方法)。给定了先前电压状态v0,直至到达电压状态vf之前的时间延迟由下式给出:
如果尖峰被定义为发生在电压状态v到达vS的时间,则从电压处于给定状态v的时间起测量的直至发生尖峰前的时间量或即相对延迟的闭合形式解为:
其中通常被设为参数v+,但其他变型可以是可能的。
模型动态的以上定义取决于该模型是在正态相还是负态相中。如所提及的,耦合和态相ρ可基于事件来计算。出于状态传播的目的,态相和耦合(变换)变量可基于在上一(先前)事件的时间的状态来定义。出于随后预计尖峰输出时间的目的,态相和耦合变量可基于在下一(当前)事件的时间的状态来定义。
存在对该Cold模型、以及在时间上执行模拟、仿真、或建模的若干可能实现。这包括例如事件-更新、步点-事件更新、以及步点-更新模式。事件更新是其中基于事件或“事件更新”(在特定时刻)来更新状态的更新。步点更新是以间隔(例如,1ms)来更新模型的情况下的更新。这不一定要求迭代方法或数值方法。通过仅在事件发生于步点处或步点间的情况下才更新模型或即通过“步点-事件”更新,基于事件的实现以有限的时间分辨率在基于步点的模拟器中实现也是可能的。
神经编码
有用的神经网络模型(诸如包括图1的神经元级102、106的神经网络模型)可经由各种合适的神经编码方案(诸如重合性编码、时间编码或速率编码)中的任一种来编码信息。在重合性编码中,信息被编码在神经元集群的动作电位(尖峰发放活动性)的重合性(或时间邻近性)中。在时间编码中,神经元通过对动作电位(即,尖峰)的精确定时(无论是以绝对时间还是相对时间)来编码信息。信息由此可被编码在一群神经元间的相对尖峰定时中。相反,速率编码涉及将神经信息编码在激发率或集群激发率中。
如果神经元模型能执行时间编码,则其也能执行速率编码(因为速率正好是定时或尖峰间间隔的函数)。为了提供时间编码,良好的神经元模型应当具有两个特性:(1)输入的抵达时间影响输出时间;以及(2)重合性检测具有窄时间窗。连接延迟提供了将重合性检测扩展到时间模式解码的一种手段,因为通过恰适地延迟时间模式的元素,可使这些元素达成定时重合性。
抵达时间
在良好的神经元模型中,输入的抵达时间应当对输出时间有影响。突触输入——无论是狄拉克δ函数还是经定形的突触后电位(PSP)、无论是兴奋性的(EPSP)还是抑制性的(IPSP)——具有抵达时间(例如,δ函数的时间或者阶跃或其他输入函数的开始或峰值的时间),其可被称为输入时间。神经元输出(即,尖峰)具有发生时间(无论其是在何处(例如在胞体处、在沿轴突的一点处、或在轴突末端处)测量的),其可被称为输出时间。该输出时间可以是尖峰的峰值时间、尖峰的开始、或与输出波形有关的任何其他时间。普适原理是输出时间取决于输入时间。
乍看起来可能认为所有神经元模型都遵循该原理,但一般并不是这样。例如,基于速率的模型不具有此特征。许多尖峰模型一般也并不遵循这一点。带泄漏积分激发(LIF)模型在有额外输入(超过阈值)的情况下并不会更快一点地激发。此外,在以非常高的定时分辨率来建模的情况下或许遵循这一点的模型在定时分辨率受限(诸如限于1ms步长)时通常将不会遵循这一点。
输入
神经元模型的输入可包括狄拉克δ函数,诸如电流形式的输入、或基于电导率的输入。在后一种情形中,对神经元状态的贡献可以是连续的或状态依赖型的。
用于自动纠错的示例同时等待时间编码和速率编码
对于响应于环境输入的任何系统(包括参与刺激辨别的尖峰神经元网络),快速响应时间是有利的。在此类网络中,环境刺激跨传感路径中的神经元诱发因刺激而异的尖峰模式。对于特定的接收神经元,更有效的刺激不仅诱发更多尖峰,而且还趋向于减少尖峰发动的时间。正因如此,刺激辨别可要么使用尖峰计数度量要么使用对尖峰发动的测量(例如,至第一尖峰的时间)。每种办法各有其优缺点。例如,尖峰计数对噪声更稳健,但涉及较长时间段的采样,从而导致长响应等待时间。测量响应发动要快得多,但可能受到某些类型的噪声(例如,尖峰定时抖动或虚假尖峰)的损害。
由此,需要用于人工神经系统中的增强型刺激辨别的技术和装置。
本公开的某些方面提供了在接受器神经元(接收刺激的人工神经元,诸如传感神经元)的突触后的检测器神经元。该检测器神经元用第一尖峰来响应有效刺激的发动(主响应,其基于等待时间编码)并在一区间之后用第二尖峰来响应(副响应,其基于速率编码)。结果,尖峰间间隔(ISI)与传入尖峰速率成反比并且因此可充当“检错信号”。如果主响应是准确的,则人工神经系统可预期主尖峰与副尖峰之间的相应ISI。然而,如果主响应是错误地发生的(例如,由于尖峰定时抖动),则副响应——其携带对噪声更稳健的速率信息——可对于某些方面用不调和的ISI(或对于其他方面通过完全省略第二尖峰)来发信号通知该错误。结果,本公开的某些方面可用短响应等待时间来作出响应并且还可通过允许纠错来维持准确度。对于某些方面,接受器-检测器神经元对可被称为发送方-接收方神经元对。
图5A-5C解说了根据本公开某些方面的各种突触后电位(PSP)函数。图5A中的PSP 500是狄拉克δ函数,例如当输入尖峰与PSP 500在滤波器块中进行卷积时,该函数导致人工神经元用作零记忆重合检测器。图5B中的PSP510是两个DC电平之间的阶跃函数,当输入尖峰与此PSP 510进行卷积时,该函数导致人工神经元用作无限记忆事件计数器。图5C中的PSP 520组合了前两个函数的特征,从而展现快上升时间但有慢衰退。结果,具有此PSP 520的人工神经元可被用于计算重合和事件计数两者,其中快上升时间用于检测重合(尖峰定时解码),而慢衰退用于对有限时间窗口中的事件进行计数(速率解码)。
图6解说了根据本公开某些方面的对两种不同视觉刺激的示例神经响应以及用于区别各刺激的各种响应度量。人工神经元的尖峰序列响应是刺激和神经元感受野的函数。在该示例中,刺激L的取向与神经元感受野的取向匹配,并且神经响应是快速和强烈的,从而表征出较早的第一尖峰和高尖峰计数。作为对比,当刺激的取向与感受野的取向不紧密匹配时(如同刺激R),神经元以较晚的第一尖峰和较少的总尖峰来响应。
刺激通常是根据何时发生尖峰或者发生多少尖峰来编码的。用于区别各刺激的度量包括响应发动时间(例如,与刺激R相比,响应于刺激L的第一尖峰较早)、总诱发尖峰计数(例如,与刺激R相比,刺激L有更多总尖峰)、或其间的混合。使用发动时间是更快的,但可能由于例如定时抖动或丢掉的尖峰等因而是较不可靠的。作为对比,总诱发尖峰计数方法是较慢的,但可能是更可靠的,因为更多尖峰被用于表示根本信号。混合方法可引起速度与准确度的折衷。
图7解说了根据本公开某些方面的以曲线图700中的三种不同输入强度至接受器神经元的示例输入电流。增大输入强度可增加尖峰计数(如曲线图710中描绘的)并减小尖峰等待时间(如曲线图720中勾勒的)。这可导致尖峰计数与尖峰等待时间之间的相关性(correlation),如曲线图730中所示。
图8解说了根据本公开某些方面的在辨别不同刺激时在速度与准确度之间的示例折衷。在若干不同噪声(抖动)条件下随时间标绘出辨别刺激尖峰序列A与B的置信度。在特定判定时间的准确度等于该置信度值。在较低抖动下,准确度在刺激发动后立即从0.5(几率)跳到~1.0。在较高抖动下,准确度保持为低,直至所有尖峰都已被计数(即,刺激结束)。由此,在有噪声的情况下,更准确的方法通常是较慢的(涉及尖峰计数),而较快的方法(继刺激发动之后)可能是准确性较低的。并非强制使用单种方法,本公开的各方面支持并行地使用两种方法(例如,快速初始组件继之以对噪声更稳健的较慢组件,从而有效地在多个点“采样”此速度-准确度曲线)。
图9解说了根据本公开某些方面的响应于刺激的检测器神经元的示例操作,其具有由尖峰间间隔(ISI)分开的一对尖峰。第一尖峰的等待时间基于输入尖峰等待时间来针对信号强度的初始估计进行编码,而ISI基于该输入的尖峰速率来针对信号强度的后续估计进行编码。第一尖峰的等待时间是较快、可靠性较低的度量,其提供了对所标识刺激的早期最佳猜测。检测器神经元的两个尖峰之间的ISI是较慢、较可靠的度量,其在本公开的某些方面中可被用于纠错。
图10解说了根据本公开某些方面的示例刺激分布和用于针对此刺激分布启用同时的重合性检测和事件计数的兴奋性突触后电流(EPSC)形状。在此刺激分布中,刺激发动用瞬态重合尖峰发放(具有尖峰概率P(尖峰)~1.0)来指示,继之以在该刺激的历时里具有恒定尖峰概率p的时段。EPSC形状具有用于重合性检测的早期δ(对于此刺激,允许检测刺激发动)和用于事件计数的持久尾部(对于此刺激,允许对p进行编码)。
图11解说根据本公开某些方面的演示来自图10的刺激分布的示例接受器神经元的操作。在该示例中,方波电流(指示刺激的历时和强度)被注入接受器神经元,接受器神经元去极化并在刺激发动后立即发放尖峰,并在此之后周期性地生成尖峰(作为固有的胞体噪声的结果)。尖峰栅示出了来自20个接收相同电流注入、但具有不同胞体噪声的此类接受器神经元的示例尖峰发放,并且尖峰概率直方图示出了跨一大群此类神经元的尖峰发放分布。如图10中那样,这些神经元的群体演示了在刺激发动之际的重合激发(尖峰概率~1.0),继之以在刺激历时里的持久激发(尖峰概率~0.015)。插图ISI直方图示出了尖峰发放近似为泊松,且带有不应期。
图12解说根据本公开某些方面的示例检测器神经元的操作,该检测器神经元实现来自图10的示例EPSC设计,并由此既用作重合性检测器又用作事件计数器。在该示例中,检测器神经元接收来自具有如图11中的行为的接受器神经元群体的输入。检测器神经元在刺激发动处发放一次尖峰,并随后开始对尖峰进行计数,从而在其膜电位(v检测器)中显示出特征性的“阶梯”计数行为。增大输入强度(在该示例中从2到6)导致更高的持久输入尖峰概率,并且事件计数器更快到达阈值,从而导致更短的ISI。尖峰栅示出每种输入强度的5个试验并演示了对输入强度的ISI编码的稳健性。
图13解说了根据本公开某些方面的输入尖峰速率和针对图12的示例检测器神经元行为的ISI的曲线图。图13演示了ISI能可靠地编码输入强度。
图14解说了根据本公开某些方面的同时使用等待时间编码和速率编码的示例。接受器神经元设计(左上图)类似于图11中的示例,但在此处,注入电流的幅度和发动斜率一起变化,从而导致其中初始重合尖峰发放作为输入强度的函数发生在特征性等待时间处的刺激。曲线图中的线宽越粗,注入电流的幅度就越大,且发动斜率就越大。如前,尖峰发放的持久概率(左中图)也是输入强度的函数。示例检测器神经元(左下图)在刺激发动时生成初始尖峰(演示了等待时间编码)、以及具有作为输入强度的函数的ISI的后续尖峰。等待时间和ISI(右图)皆演示了跨输入强度范围的可靠编码。
图15解说了根据本公开某些方面的另一示例刺激分布和用于针对此刺激分布在单个神经元中启用发动检测和事件计数的示例检测器神经元设计。对于该刺激,没有初始重合尖峰发放;输入尖峰概率(顶部图)跨刺激历时是平坦的。理想的检测器神经元(中间图)可初始充当具有低阈值的发动检测器。在第一检测器尖峰(指示刺激发动)之后,阈值可增大,从而使该检测器神经元转变成尖峰计数器。在刺激消失之后,神经元可返回到低阈值发动检测器模式。这种理想的检测器神经元可近似地用例如一维(1D)神经元设计(底部图)来实现。稳态v-接近阈值(v+),从而定义了低阈值发动检测器模式。然而,v复位被设置成远低于v-,从而在每个检测器神经元尖峰之后短暂地升高有效阈值(进入尖峰计数模式)。然而,1D神经元设计通常只有一个可以被改变的时间常数。具有时间常数50的神经元设计快速返回到发动检测器模式,这对于持久尖峰计数模式而言可能是不期望的。具有时间常数1000的神经元设计提供稳定得多的尖峰计数模式,但这种设计可能无法及时恢复以用于下一刺激,如图15中解说的。理想的检测器神经元允许各模式之间尖锐得多的转变。
图16解说了根据本公开某些方面的示例二维(2D)神经元设计(具有膜电位v和恢复变量u),其允许在发动检测模式与尖峰计数模式之间更尖锐的转变。通过使用具有多个时间常数的两个耦合状态变量,在复位之后的电压恢复形状可以被塑造成比1D神经元设计更接近期望形状。
图17解说了根据本公开某些方面的图16的示例2D神经元,其比图15的示例1D神经元提供发动检测器/计数器行为之间更尖锐的转变。在该示例中,行为由作为输入ISI的函数的足以诱发检测器神经元尖峰的输入尖峰数目来测量。在这种配置中,在较长输入ISI时的理想行为是在单个输入尖峰之后作出响应,而在较短输入ISI时的理想行为是在十个输入尖峰之后作出响应。2D神经元在这些行为模式之间具有更陡峭的转变。
图18解说了根据本公开某些方面的在图16的示例2D检测器神经元中同时使用等待时间编码和速率编码的示例。在该示例中,通过将双指数输入电流(顶部图)注入接受器神经元来生成输入序列,接受器神经元取决于输入强度以不同的发动等待时间和速率发放尖峰(中间图)。在该示例2D检测器神经元中,第一尖峰等待时间和ISI皆针对输入强度进行编码(底部图)。
图19和图20是根据本公开某些方面的输出定时相对于输入强度的曲线图,其解说了当噪声扰乱较早的等待时间编码时,较晚的ISI编码可如何保持稳健的示例。在图19中,背景泊松尖峰被添加到接受器神经元尖峰。在图20中,胞体噪声被注入到接受器神经元中,这可影响尖峰定时。
图21解说了根据本公开某些方面的示例人工神经系统的一部分,该人工神经系统使用等待时间和尖峰计数信息两者来标识刺激并作出二元判定。来自检测器神经元的较早响应(第一尖峰)在刺激发动之后立即提供对刺激身份的初始最佳猜测(使用等待时间或相对等待时间编码),并且诸检测器神经元之间的侧向抑制提供了“胜者全得”设置。该第一尖峰的定时可能受噪声(例如,抖动)影响。来自检测器神经元的较晚响应(第二尖峰)允许纠错。该第二尖峰的定时对噪声更稳健,因为其在较长时段上对信息进行积分(例如,尖峰计数)。如果来自检测器神经元尖峰的ISI不匹配基于来自检测器神经元的第一尖峰的期望,则人工神经系统最初由早期“最佳猜测”信号所触发的行为(例如,行为A或行为B)可最终被抑制。对于某些方面,时间编码模块可被用于标识输入刺激。
图22解说根据本公开某些方面的在图21的示例人工神经系统中由ISI指示的刺激标识错误的示例。各种符号指示对刺激L的正确或不正确标识。在第一试验中,刺激L被呈现并由第一L检测器尖峰正确地标识。该试验中的检测器ISI支持该标识(“检查ISI”神经元发放尖峰)。在第二试验中,刺激R被呈现,并且L检测器不发放尖峰。在第三试验中,刺激R被呈现,但等待时间有抖动,从而使得L检测器(不正确地)发放尖峰。在该试验中,L检测器ISI与刺激L不调和,并且由此“检查ISI”神经元不发放尖峰,从而指示初始检测中有错误。
图23解说根据本公开某些方面的在图21的示例人工神经系统中检测等待时间编码中的错误的示例。泊松尖峰被添加到接受器神经元尖峰(顶部图),这扰乱了检测器神经元正确地标识刺激的能力。随着泊松比增大,检测器神经元故障(“不正确的检测器激发”)的分数增大(中间图)。然而,在这些情形中,ISI检错不激发,且由此假阳性比(“不正确的检错激发了”)保持接近0。使用ISI的ROC曲线(底部图)指示在达到高泊松噪声比时,刺激是可分离的。
图24是根据本公开某些方面的用于操作人工神经系统的示例操作2400的流程图。操作2400可以硬件(例如由一个或多个神经处理单元,诸如神经元形态处理器)、以软件或以固件来执行。人工神经系统可建模在各种生物或想像神经系统中的任一者上,诸如视觉神经系统、听觉神经系统、海马体等。
操作2400可始于在2402,人工神经系统(或其中的一个或多个人工神经元或突触)接收刺激。在2404,第一设备可至少部分地基于在2402处接收到的刺激来生成具有两个或更多个尖峰的尖峰序列。第一设备可包括例如接受器人工神经元、换能器、或者将模拟信号转换成尖峰的传感器。在2406,至少部分地基于尖峰序列的发动(例如,至尖峰序列中的初始尖峰的时间)来标识刺激。在2408,至少部分地基于在尖峰序列的至少一部分中的尖峰速率(或尖峰数目,即尖峰计数)来检查所标识的刺激。
根据某些方面,操作2400可进一步包括:若2408处的检查失败,则人工神经系统抑制或纠正与所标识的刺激相关联的行为。
根据某些方面,在2406处标识刺激可包括在第二设备(例如,人工神经元)处基于(至少部分地基于)尖峰序列的发动来生成第一尖峰。在这种情形中,操作2400可进一步涉及在第二设备处基于(至少部分地基于)尖峰序列中的尖峰速率来生成第二尖峰。第二尖峰在第一尖峰之后发生。对于某些方面,在2408处检查所标识的刺激使得必须确定第一尖峰与第二尖峰之间的间隔(例如,尖峰间间隔)是否对应于基于(至少部分地基于)尖峰序列的发动所标识的刺激。对于某些方面,第二设备是经由人工突触与第一设备(例如,接受器人工神经元)相连接的检测器人工神经元。
对于其他方面,在2406处标识刺激可包括在第二设备(例如,人工神经元)处基于(至少部分地基于)尖峰序列的发动来生成第一尖峰,如上所述。然而,操作2400可进一步涉及在第三设备(例如,与第二人工神经元不同的人工神经元或其他设备)处基于(至少部分地基于)尖峰序列中的尖峰速率来生成第二尖峰。第二尖峰在第一尖峰之后发生。例如,第二设备和第三设备可包括两个LIF神经元。分别来自第二设备和第三设备的第一尖峰和第二尖峰可由另一组件(诸如ISI验证器)处理,如上所述。
根据某些方面,操作2400可进一步包括基于尖峰序列中的最早尖峰(例如,至尖峰序列中的最首个尖峰的时间)或尖峰序列中的初始尖峰集合(例如,至尖峰序列中的一簇或一阵初始尖峰的时间)中的至少一者来确定尖峰序列的发动。对于某些方面,操作2400可进一步包括基于尖峰概率的瞬态增加(例如,增加的重合性)来确定尖峰序列的发动。
根据某些方面,操作2400可进一步包括基于参考信号与尖峰序列中的特定尖峰(例如,最早尖峰)之间的时间差来确定尖峰序列的发动。对于其他方面,尖峰序列的发动可基于参考信号与基于尖峰序列中的多个尖峰的时间计算之间的时间差来确定。参考信号可来自时钟、帧边界、某种外部同步信号等。
根据某些方面,尖峰速率是在比确定发动的时间段更长的时间段上取平均的。
根据某些方面,操作2400可进一步包括在检查失败的情况下用经纠正的刺激来更新所标识的刺激的表示,其中该更新可以基于尖峰速率。在这种情形中,操作2400可进一步包括输出信号(例如,加性信号)以生成与经纠正的刺激相关联的行为。
根据某些方面,操作2400可进一步包括在检查失败的情况下输出通知。例如,此通知可以是由人工神经系统输出的出错指示或在人工神经系统内的出错指示。
根据某些方面,在2404处的生成涉及至少部分地基于刺激和编码方案来生成尖峰序列。例如,如果刺激是连续信号x(t),则可以使用编码方案h(.),以使得尖峰形式的经编码信号为y(t)=h(x(t))。
刺激的输入强度可以与尖峰速率成正比。输入强度还可以与尖峰序列的发动成反比。
图25解说了根据本公开某些方面的使用通用处理器2502来实现前述用于操作人工神经系统的方法的组件的示例框图2500。与计算网络(神经网络)相关联的变量(神经信号)、突触权重和/或系统参数可被存储在存储器块2504中,而在通用处理器2502处执行的有关指令可从程序存储器2506中加载。在本公开的一方面,加载到通用处理器2502中的指令可包括:用于接收刺激的代码;用于在第一人工神经元处至少部分地基于该刺激来生成尖峰序列的代码;用于至少部分地基于该尖峰序列的发动来标识该刺激的代码;以及用于至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激的代码。在本公开的另一方面,加载到通用处理器2502中的指令可包括:用于在人工神经元处接收尖峰序列的代码,用于至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰的代码,以及用于至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰的代码。
图26解说根据本公开某些方面的用于实现前述用于操作人工神经系统的方法的组件的示例框图2600,其中存储器2602可经由互连网络2604与计算网络(神经网络)的个体(分布式)处理单元(神经处理器)2606对接。与计算网络(神经网络)相关联的变量(神经信号)、突触权重和/或系统参数可被存储在存储器2602中,并且可从存储器1402经由互连网络2604的连接被加载到每个处理单元(神经处理器)2606中。在本公开的一方面,处理单元2606可被配置成:接收刺激;在第一人工神经元处至少部分地基于该刺激来生成尖峰序列;至少部分地基于该尖峰序列的发动来标识该刺激;以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。在本公开的另一方面,处理单元2606可被配置成:在人工神经元处接收尖峰序列,至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰,以及至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰。
图27解说了根据本公开某些方面的用于实现前述用于基于分布式存储器2702和分布式处理单元(神经处理器)2704来操作人工神经系统的方法的组件的示例框图2700。如图27中所解说的,一个存储器组2702可直接与计算网络(神经网络)的一个处理单元2704对接,其中该存储器组2702可存储与该处理单元(神经处理器)2704相关联的变量(神经信号)、突触权重和/或系统参数。在本公开的一方面,处理单元2704可被配置成:接收刺激;在第一人工神经元处至少部分地基于该刺激来生成尖峰序列;至少部分地基于该尖峰序列的发动来标识该刺激;以及至少部分地基于该尖峰序列中的尖峰速率来检查所标识的刺激。在本公开的另一方面,处理单元2704可被配置成:在人工神经元处接收尖峰序列,至少部分地基于该尖峰序列的发动来从该人工神经元输出第一尖峰,以及至少部分地基于该尖峰序列中的尖峰速率来从该人工神经元输出第二尖峰。
图28解说根据本公开某些方面的神经网络2800的示例实现。如图28中所解说的,神经网络2800可包括多个局部处理单元2802,它们可执行以上描述的方法的各种操作。每个处理单元2802可包括存储该神经网络的参数的局部状态存储器2804和局部参数存储器2806。另外,处理单元2802可包括具有局部(神经元)模型程序的存储器2808、具有局部学习程序的存储器2810、以及局部连接存储器2812。此外,如图28中所解说的,每个局部处理单元2802可与用于配置处理的单元2814对接并且与路由连接处理元件2816对接,单元2814可提供对局部处理单元的局部存储器的配置,元件2816提供局部处理单元2802之间的路由。
根据本公开的某些方面,每一个局部处理单元2802可被配置成基于神经网络的期望的一个或多个功能性特征来确定神经网络的参数,以及随着所确定的参数被进一步适配、调谐和更新来使这一个或多个功能性特征朝着期望的功能性特征发展。
以上所描述的方法的各种操作可由能够执行相应功能的任何合适的装置来执行。这些装置可包括各种硬件和/或软件组件和/或模块,包括但不限于电路、专用集成电路(ASIC)、或处理器。例如,各个操作可由图25-28中所示的各种处理器中的一个或多个来执行。一般而言,在存在附图中解说的操作的场合,那些操作可具有带相似编号的相应配对装置加功能组件。例如,图24中所解说的操作2400对应于图24A中所解说的装置2400A。
例如,用于处理的装置、用于接收的装置、用于保留的装置、用于输出的装置、或用于确定的装置可包括处理系统,该处理系统可包括一个或多个处理器或处理单元。用于存储的装置可包括可由处理系统访问的存储器或任何其它合适的存储设备(例如,RAM)。
如本文所使用的,术语“确定”涵盖各种各样的动作。例如,“确定”可包括演算、计算、处理、推导、研究、查找(例如,在表、数据库或其他数据结构中查找)、查明、及类似动作。而且,“确定”可包括接收(例如接收信息)、访问(例如访问存储器中的数据)、及类似动作。同样,“确定”还可包括解析、选择、选取、建立、及类似动作。
如本文中所使用的,引述一列项目中的“至少一个”的短语是指这些项目的任何组合,包括单个成员。作为示例,“a、b或c中的至少一者”旨在涵盖:a、b、c、a-b、a-c、b-c、以及a-b-c。
结合本公开描述的各种解说性逻辑框、模块、以及电路可用设计成执行本文中描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,处理器可以是任何可商业购得的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其他此类配置。
结合本公开描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM,等等。软件模块可包括单条指令、或许多条指令,且可分布在若干不同的代码段上,分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。替换地,存储介质可以被整合到处理器。
本文所公开的方法包括用于达成所描述的方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之,除非指定了步骤或动作的特定次序,否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。
所描述的功能可在硬件、软件、固件或其任何组合中实现。如果以硬件实现,则示例硬件配置可包括设备中的处理系统。处理系统可以用总线架构来实现。取决于处理系统的具体应用和整体设计约束,总线可包括任何数目的互连总线和桥接器。总线可将包括处理器、机器可读介质、以及总线接口的各种电路链接在一起。总线接口可用于尤其将网络适配器等经由总线连接至处理系统。网络适配器可用于实现信号处理功能。对于某些方面,用户接口(例如,按键板、显示器、鼠标、操纵杆等)也可被连接至总线。总线还可链接各种其他电路(诸如定时源、外围设备、稳压器、电源管理电路等),这些电路在本领域中是众所周知的,因此将不再赘述。
处理器可负责管理总线和一般处理,包括执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合,无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例,机器可读介质可以包括RAM(随机存取存储器)、闪存、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦式可编程只读存储器)、EEPROM(电可擦式可编程只读存储器)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。
在硬件实现中,机器可读介质可以是处理系统中与处理器分开的一部分。然而,如本领域技术人员将容易领会的,机器可读介质、或其任何部分可在处理系统外部。作为示例,机器可读介质可包括传输线、由数据调制的载波、和/或与设备分开的计算机产品,所有这些都可由处理器通过总线接口来访问。替换地或补充地,机器可读介质、或其任何部分可被集成到处理器中,诸如高速缓存和/或通用寄存器文件可能就是这种情形。
处理系统可以被配置为通用处理系统,该通用处理系统具有一个或多个提供处理器功能性的微处理器、和提供机器可读介质中的至少一部分的外部存储器,它们都通过外部总线架构与其他支持电路系统链接在一起。替换地,处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口、支持电路系统、和至少一部分机器可读介质的ASIC(专用集成电路)来实现,或者用一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束,本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。
机器可读介质可包括数个软件模块。这些软件模块包括当由处理器执行时使处理系统执行各种功能的指令。这些软件模块可包括传输模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例,当触发事件发生时,可以从硬驱动器中将软件模块加载到RAM中。在软件模块执行期间,处理器可以将一些指令加载到高速缓存中以提高访问速度。随后可将一个或多个高速缓存行加载到通用寄存器文件中以供由处理器执行。在以下谈及软件模块的功能性时,将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。
如果以软件实现,则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或无线技术(诸如红外(IR)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如本文所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光媒体碟,其中盘(disk)常常磁性地再现数据,而碟(disc)用激光来光学地再现数据。因此,在一些方面,计算机可读介质可包括非瞬态计算机可读介质(例如,有形介质)。另外,对于其他方面,计算机可读介质可包括瞬态计算机可读介质(例如,信号)。上述的组合也应被包括在计算机可读介质的范围内。
因此,某些方面可包括用于执行本文中给出的操作的计算机程序产品。例如,此种计算机程序产品可包括其上存储(和/或编码)有指令的计算机可读介质,这些指令能由一个或多个处理器执行以执行本文中所描述的操作。对于某些方面,计算机程序产品可包括包装材料。
另外,应领会,用于执行本文中所描述的方法和技术的模块和/或其它恰适装置能由设备在适用的场合下载和/或以其他方式获得。例如,此类设备能被耦合至服务器以促成用于执行本文中所描述的方法的装置的转移。替换地,本文中所描述的各种方法能经由存储装置(例如,RAM、ROM、诸如压缩碟(CD)或软盘之类的物理存储介质等)来提供,以使得一旦将该存储装置耦合到或提供给设备,该设备就能获得各种方法。此外,能利用适于向设备提供本文中所描述的方法和技术的任何其他合适的技术。
应该理解的是,权利要求并不被限定于以上所解说的精确配置和组件。可在以上所描述的方法和设备的布局、操作和细节上作出各种改动、更换和变形而不会脱离权利要求的范围。
Claims (27)
1.一种用于操作人工神经系统的方法,包括:
接收刺激;
在第一设备处至少部分地基于所述刺激来生成具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来标识所述刺激;以及
至少部分地基于所述尖峰序列中的尖峰速率来检查所标识的刺激。
2.如权利要求1所述的方法,其特征在于,进一步包括在所述检查失败的情况下抑制与所标识的刺激相关联的行为。
3.如权利要求1所述的方法,其特征在于,标识所述刺激包括在第二设备处至少部分地基于所述尖峰序列的发动来生成第一尖峰。
4.如权利要求3所述的方法,其特征在于,进一步包括:
在所述第二设备处至少部分地基于所述尖峰序列中的所述尖峰速率来生成第二尖峰,其中所述第二尖峰在所述第一尖峰之后发生。
5.如权利要求4所述的方法,其特征在于,检查所标识的刺激包括确定所述第一尖峰与所述第二尖峰之间的间隔是否对应于所标识的刺激。
6.如权利要求3所述的方法,其特征在于,所述第一设备神经元是接受器人工神经元,且所述第二设备是经由人工突触与所述接受器人工神经元相连接的检测器人工神经元。
7.如权利要求1所述的方法,其特征在于,所述刺激的输入强度与所述尖峰速率成正比,且与所述尖峰序列的发动成反比。
8.如权利要求1所述的方法,其特征在于,进一步包括基于所述尖峰序列中的最早尖峰或所述尖峰序列中的初始尖峰集合中的至少一者来确定所述尖峰序列的发动。
9.如权利要求1所述的方法,其特征在于,进一步包括基于参考信号与所述尖峰序列中的最早尖峰之间的时间差来确定所述尖峰序列的发动。
10.如权利要求1所述的方法,其特征在于,进一步包括基于尖峰概率的瞬态增加来确定所述尖峰序列的发动。
11.如权利要求1所述的方法,其特征在于,所述尖峰速率是在比确定所述发动的时间段更长的时间段上取平均的。
12.如权利要求1所述的方法,其特征在于,进一步包括在所述检查失败的情况下用经纠正的刺激来更新所标识的刺激的表示。
13.如权利要求11所述的方法,其特征在于,进一步包括输出加性信号以生成与所述经纠正的刺激相关联的行为。
14.如权利要求1所述的方法,其特征在于,进一步包括在所述检查失败的情况下输出通知。
15.如权利要求1所述的方法,其特征在于,所述生成包括至少部分地基于所述刺激和编码方案来生成所述尖峰序列。
16.一种用于操作人工神经系统的装置,包括:
处理系统,配置成:
接收刺激;
至少部分地基于所述刺激来生成具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来标识所述刺激;以及
至少部分地基于所述尖峰序列中的尖峰速率来检查所标识的刺激;以及
耦合至所述处理系统的存储器。
17.一种用于操作人工神经系统的设备,包括:
用于接收刺激的装置;
用于至少部分地基于所述刺激来生成具有两个或更多个尖峰的尖峰序列的装置;
用于至少部分地基于所述尖峰序列的发动来标识所述刺激的装置;以及用于至少部分地基于所述尖峰序列中的尖峰速率来检查所标识的刺激的装置。
18.一种用于操作人工神经系统的计算机程序产品,包括具有指令的非瞬态计算机可读介质,所述指令能执行以用于:
接收刺激;
至少部分地基于所述刺激来生成具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来标识所述刺激;以及
至少部分地基于所述尖峰序列中的尖峰速率来检查所标识的刺激。
19.一种用于在人工神经系统中标识刺激的方法,包括:
在人工神经元处接收具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来从所述人工神经元输出第一尖峰;以及
至少部分地基于所述尖峰序列中的尖峰速率来从所述人工神经元输出第二尖峰。
20.如权利要求19所述的方法,其特征在于,所述第一尖峰与所述第二尖峰之间的间隔被用于检查至少部分地基于所述尖峰序列的发动所标识的所述刺激是否正确。
21.如权利要求19所述的方法,其特征在于,所述第一尖峰对应于对所述刺激的估计。
22.如权利要求19所述的方法,其特征在于,所述第二尖峰被用于改善对所述刺激的所述估计。
23.如权利要求19所述的方法,其特征在于,所述第二尖峰的定时基于所述尖峰序列中的多个尖峰的积分。
24.如权利要求19所述的方法,其特征在于,所述刺激的输入强度与所述尖峰速率成正比,且与所述尖峰序列的发动成反比。
25.一种用于在人工神经系统中标识刺激的装置,包括:
处理系统,配置成:
在人工神经元处接收具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来从所述人工神经元输出第一尖峰;以及
至少部分地基于所述尖峰序列中的尖峰速率来从所述人工神经元输出第二尖峰;以及
耦合至所述处理系统的存储器。
26.一种用于在人工神经系统中标识刺激的设备,包括:
用于在人工神经元处接收具有两个或更多个尖峰的尖峰序列的装置;
用于至少部分地基于所述尖峰序列的发动来从所述人工神经元输出第一尖峰的装置;以及
用于至少部分地基于所述尖峰序列中的尖峰速率来从所述人工神经元输出第二尖峰的装置。
27.一种用于在人工神经系统中标识刺激的计算机程序产品,包括具有指令的非瞬态计算机可读介质,所述指令能执行以用于:
在人工神经元处接收具有两个或更多个尖峰的尖峰序列;
至少部分地基于所述尖峰序列的发动来从所述人工神经元输出第一尖峰;以及
至少部分地基于所述尖峰序列中的尖峰速率来从所述人工神经元输出第二尖峰。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461924074P | 2014-01-06 | 2014-01-06 | |
US61/924,074 | 2014-01-06 | ||
US14/279,375 | 2014-05-16 | ||
US14/279,375 US10282660B2 (en) | 2014-01-06 | 2014-05-16 | Simultaneous latency and rate coding for automatic error correction |
PCT/US2014/071372 WO2015102935A2 (en) | 2014-01-06 | 2014-12-19 | Simultaneous latency and rate coding for automatic error correction |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105874478A true CN105874478A (zh) | 2016-08-17 |
Family
ID=52350355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480072237.9A Pending CN105874478A (zh) | 2014-01-06 | 2014-12-19 | 用于自动纠错的同时的等待时间编码和速率编码 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10282660B2 (zh) |
EP (1) | EP3092605A2 (zh) |
JP (1) | JP2017507397A (zh) |
CN (1) | CN105874478A (zh) |
TW (1) | TW201539336A (zh) |
WO (1) | WO2015102935A2 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304912A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN109948788A (zh) * | 2019-03-07 | 2019-06-28 | 清华大学 | 基于fpga的神经网络加速器 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10671912B2 (en) * | 2016-09-13 | 2020-06-02 | Sap Se | Spatio-temporal spiking neural networks in neuromorphic hardware systems |
RU195230U1 (ru) * | 2019-08-07 | 2020-01-17 | Федеральное государственное бюджетное научное учреждение "Научный центр неврологии" (ФГБНУ НЦН) | Тренажер-квадрат с линейными и квадратными углублениями для групповых занятий по восстановлению и профилактической тренировке зрительно-пространственной памяти |
CN110647982B (zh) * | 2019-09-26 | 2022-04-15 | 中国科学院微电子研究所 | 人工感受神经电路及其制备方法 |
KR20210063721A (ko) | 2019-11-25 | 2021-06-02 | 삼성전자주식회사 | 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템 |
CN114528983A (zh) * | 2021-12-29 | 2022-05-24 | 北京时代民芯科技有限公司 | 一种脉冲神经元加固电路、加固方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5107442A (en) * | 1989-01-12 | 1992-04-21 | Recognition Equipment Incorporated | Adaptive neural network image processing system |
US20040204769A1 (en) * | 2001-01-12 | 2004-10-14 | Richmond Barry J. | Decoding algorithm for neuronal reponses |
US20100191695A1 (en) * | 2006-09-22 | 2010-07-29 | The Trustees Of The University Of Pennsylvania | Classification of sub cortical structures |
US20130151450A1 (en) * | 2011-12-07 | 2013-06-13 | Filip Ponulak | Neural network apparatus and methods for signal conversion |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6581046B1 (en) * | 1997-10-10 | 2003-06-17 | Yeda Research And Development Co. Ltd. | Neuronal phase-locked loops |
JP4248187B2 (ja) | 2002-03-27 | 2009-04-02 | シャープ株式会社 | 集積回路装置及びニューロ素子 |
US7430546B1 (en) * | 2003-06-07 | 2008-09-30 | Roland Erwin Suri | Applications of an algorithm that mimics cortical processing |
JP4780921B2 (ja) | 2004-03-17 | 2011-09-28 | キヤノン株式会社 | 並列パルス信号処理装置、及びその制御方法 |
US7395251B2 (en) | 2005-07-01 | 2008-07-01 | International Business Machines Corporation | Neural networks for prediction and control |
US8504502B2 (en) | 2007-11-20 | 2013-08-06 | Christopher Fiorillo | Prediction by single neurons |
WO2012005953A1 (en) * | 2010-06-28 | 2012-01-12 | The Regents Of The University Of California | Adaptive set discrimination procedure |
US10448877B2 (en) * | 2010-12-05 | 2019-10-22 | Brown University | Methods for prediction and early detection of neurological events |
WO2012108918A1 (en) * | 2011-02-09 | 2012-08-16 | The Trustees Of Dartmouth College | Acoustic sensor with an acoustic object detector for reducing power consumption in front-end circuit |
US9047568B1 (en) * | 2012-09-20 | 2015-06-02 | Brain Corporation | Apparatus and methods for encoding of sensory data using artificial spiking neurons |
US9256215B2 (en) | 2012-07-27 | 2016-02-09 | Brain Corporation | Apparatus and methods for generalized state-dependent learning in spiking neuron networks |
US9189730B1 (en) * | 2012-09-20 | 2015-11-17 | Brain Corporation | Modulated stochasticity spiking neuron network controller apparatus and methods |
US9367798B2 (en) | 2012-09-20 | 2016-06-14 | Brain Corporation | Spiking neuron network adaptive control apparatus and methods |
US9111226B2 (en) * | 2012-10-25 | 2015-08-18 | Brain Corporation | Modulated plasticity apparatus and methods for spiking neuron network |
US9177245B2 (en) * | 2013-02-08 | 2015-11-03 | Qualcomm Technologies Inc. | Spiking network apparatus and method with bimodal spike-timing dependent plasticity |
-
2014
- 2014-05-16 US US14/279,375 patent/US10282660B2/en active Active
- 2014-12-19 EP EP14827660.3A patent/EP3092605A2/en not_active Withdrawn
- 2014-12-19 WO PCT/US2014/071372 patent/WO2015102935A2/en active Application Filing
- 2014-12-19 JP JP2016544506A patent/JP2017507397A/ja active Pending
- 2014-12-19 CN CN201480072237.9A patent/CN105874478A/zh active Pending
- 2014-12-23 TW TW103145024A patent/TW201539336A/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5107442A (en) * | 1989-01-12 | 1992-04-21 | Recognition Equipment Incorporated | Adaptive neural network image processing system |
US20040204769A1 (en) * | 2001-01-12 | 2004-10-14 | Richmond Barry J. | Decoding algorithm for neuronal reponses |
US20100191695A1 (en) * | 2006-09-22 | 2010-07-29 | The Trustees Of The University Of Pennsylvania | Classification of sub cortical structures |
US20130151450A1 (en) * | 2011-12-07 | 2013-06-13 | Filip Ponulak | Neural network apparatus and methods for signal conversion |
US20130151448A1 (en) * | 2011-12-07 | 2013-06-13 | Filip Ponulak | Apparatus and methods for implementing learning for analog and spiking signals in artificial neural networks |
Non-Patent Citations (3)
Title |
---|
DAVID C.TAM: "《A cross-interval spike train analysis:the correlation between spike generation and temporal integration of doublets》", 《BIOLOGICAL CYBERNETICS》 * |
JOSHUA T.DUDMAN: "《Stochastically Gating Ion Channels Enable Patterned Spike Firing through Activity-Dependent Modulation of Spike Probability》", 《PLOS COMPUTATIONALBIOLOGY》 * |
TIMM LOCHMANN: "《Perceptual InferencePredicts Contextual Modulations of Sensory Reponses hereinafter to as Lochmann》", 《THE JOUMAL OF MEUROSOLENCE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304912A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN108304912B (zh) * | 2017-12-29 | 2020-12-29 | 北京理工大学 | 一种运用抑制信号实现脉冲神经网络监督学习的系统和方法 |
CN109948788A (zh) * | 2019-03-07 | 2019-06-28 | 清华大学 | 基于fpga的神经网络加速器 |
CN109948788B (zh) * | 2019-03-07 | 2021-01-15 | 清华大学 | 基于fpga的神经网络加速器 |
Also Published As
Publication number | Publication date |
---|---|
EP3092605A2 (en) | 2016-11-16 |
TW201539336A (zh) | 2015-10-16 |
US20150193680A1 (en) | 2015-07-09 |
WO2015102935A3 (en) | 2015-10-08 |
JP2017507397A (ja) | 2017-03-16 |
US10282660B2 (en) | 2019-05-07 |
WO2015102935A2 (en) | 2015-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105874478A (zh) | 用于自动纠错的同时的等待时间编码和速率编码 | |
US10339447B2 (en) | Configuring sparse neuronal networks | |
US20150278680A1 (en) | Training, recognition, and generation in a spiking deep belief network (dbn) | |
CN106030620B (zh) | 用于随机尖峰贝叶斯网络的基于事件的推断和学习 | |
US20160034812A1 (en) | Long short-term memory using a spiking neural network | |
US20150269482A1 (en) | Artificial neural network and perceptron learning using spiking neurons | |
US20150170028A1 (en) | Neuronal diversity in spiking neural networks and pattern classification | |
US20150278641A1 (en) | Invariant object representation of images using spiking neural networks | |
US9652711B2 (en) | Analog signal reconstruction and recognition via sub-threshold modulation | |
US20150212861A1 (en) | Value synchronization across neural processors | |
CN106030622A (zh) | 原位神经网络协同处理 | |
US20150134582A1 (en) | Implementing synaptic learning using replay in spiking neural networks | |
US20150095274A1 (en) | Method and apparatus for producing programmable probability distribution function of pseudo-random numbers | |
US20150278685A1 (en) | Probabilistic representation of large sequences using spiking neural network | |
US20150278628A1 (en) | Invariant object representation of images using spiking neural networks | |
CN106068519A (zh) | 用于共用神经元模型的高效实现的方法和装置 | |
US9418332B2 (en) | Post ghost plasticity | |
US9342782B2 (en) | Stochastic delay plasticity | |
US20150213356A1 (en) | Method for converting values into spikes | |
US20150262061A1 (en) | Contextual real-time feedback for neuromorphic model development | |
US20140365413A1 (en) | Efficient implementation of neural population diversity in neural system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160817 |
|
WD01 | Invention patent application deemed withdrawn after publication |