JP2017507397A - 自動エラー訂正のための同時レイテンシおよびレートコーディング - Google Patents
自動エラー訂正のための同時レイテンシおよびレートコーディング Download PDFInfo
- Publication number
- JP2017507397A JP2017507397A JP2016544506A JP2016544506A JP2017507397A JP 2017507397 A JP2017507397 A JP 2017507397A JP 2016544506 A JP2016544506 A JP 2016544506A JP 2016544506 A JP2016544506 A JP 2016544506A JP 2017507397 A JP2017507397 A JP 2017507397A
- Authority
- JP
- Japan
- Prior art keywords
- spike
- stimulus
- spikes
- train
- neuron
- 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
Images
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
- G06N3/04—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
-
- 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
Abstract
Description
[0001]本出願は、2014年1月6日に出願された、「Simultaneous Latency and Rate Coding for Automatic Error Correction」と題する米国仮特許出願第61/924,074号、および2014年5月16日に出願された米国特許出願第14/279,375号の利益を主張し、これらの両方は、参照により全体が本明細書に組み込まれる。
[0046]図1は、本開示のいくつかの態様による、複数のレベルのニューロンをもつ例示的なニューラルシステム100を示す。ニューラルシステム100は、シナプス結合のネットワーク104(すなわち、フィードフォワード結合)を介してニューロンの別のレベル106に結合されたニューロンのあるレベル102を備え得る。簡単のために、図1には2つのレベルのニューロンのみが示されているが、典型的なニューラルシステムには、より少ないまたはより多くのレベルのニューロンが存在し得る。ニューロンのいくつかは、ラテラル結合を介して同じ層の他のニューロンに結合し得ることに留意されたい。さらに、ニューロンのいくつかは、フィードバック結合を介して前の層のニューロンに戻る形で結合し得る。
[0058]ニューラルネットワークのハードウェアおよびソフトウェアモデルでは、シナプス関係機能の処理がシナプスタイプに基づき得る。シナプスタイプは、非塑性シナプス(non-plastic synapse)(重みおよび遅延の変化がない)と、可塑性シナプス(重みが変化し得る)と、構造遅延可塑性シナプス(重みおよび遅延が変化し得る)と、完全可塑性シナプス(重み、遅延および結合性が変化し得る)と、それの変形(たとえば、遅延は変化し得るが、重みまたは結合性の変化はない)とを備え得る。これの利点は、処理が再分割され得ることである。たとえば、非塑性シナプスは、可塑性機能を実行すること(またはそのような機能が完了するのを待つこと)を必要とし得ない。同様に、遅延および重み可塑性は、一緒にまたは別々に、順にまたは並列に動作し得る動作に再分割され得る。異なるタイプのシナプスは、適用される異なる可塑性タイプの各々の異なるルックアップテーブルまたは式およびパラメータを有し得る。したがって、本方法は、シナプスのタイプの関係するテーブルにアクセスすることになる。
[0060]神経可塑性(または単に「可塑性」)は、脳内のニューロンおよびニューラルネットワークがそれらのシナプス結合と挙動とを新しい情報、感覚上の刺激、発展、損傷または機能不全に応答して変える能力である。可塑性は、生物学における学習および記憶にとって、また計算論的神経科学およびニューラルネットワークにとって重要である。(たとえば、Hebb則理論による)シナプス可塑性、スパイクタイミング依存可塑性(STDP)、非シナプス可塑性、活性依存可塑性、構造可塑性および恒常的可塑性など、様々な形の可塑性が研究されている。
[0067]有用なスパイキングニューロンモデルを設計するための一般的原理がいくつかある。良いニューロンモデルは、2つの計算レジーム、すなわち、一致検出および関数計算の点で豊かな潜在的挙動を有し得る。その上、良いニューロンモデルは、時間コーディングを可能にするための2つの特性を有する必要がある。すなわち、(1)入力の到着時間は出力時間に影響を与え、(2)一致検出は狭い時間ウィンドウを有する。最後に、計算上魅力的であるために、良いニューロンモデルは、連続した時間において閉形式解を有し得、ニアアトラクター(near attractor)と鞍点とを含む安定した挙動を有し得る。言い換えれば、有用なニューロンモデルは、実用的なニューロンモデルであり、豊かで、現実的で、生物学的に一貫した挙動をモデル化するために使用され得、神経回路のエンジニアリングとリバースエンジニアリングの両方を行うために使用され得るニューロンモデルである。
[0071]Hunzinger Coldニューロンモデルは、豊かな様々な神経挙動を再生し得る最小二重レジームスパイキング線形動的モデルである。モデルの1次元または2次元の線形ダイナミクスは2つのレジームを有することができ、時間定数(および結合)はレジームに依存し得る。しきい値下レジームでは、時間定数は、慣例により負であり、一般に生物学的に一貫した線形方式で静止状態に細胞を戻す役目を果たすリーキーチャネルダイナミクスを表す。しきい値上レジームにおける時間定数は、慣例により正であり、一般にスパイク生成のレイテンシを生じさせる一方でスパイク状態に細胞を駆り立てる反リーキーチャネルダイナミクスを反映する。
[0086]図1のレベルのニューロン102、106から構成されるニューラルネットワークモデルなどの有用なニューラルネットワークモデルは、一致コーディング、時間コーディングまたはレートコーディングなど、様々な好適なニューラルコーディング方式のうちのいずれかを介して情報を符号化することができる。一致コーディングでは、情報は、ニューロン集団の活動電位(スパイキング活動)の一致(または時間的近接度)で符号化される。時間コーディングでは、ニューロンは、絶対時間であるか相対時間であるかを問わず、活動電位(すなわち、スパイク)の正確なタイミングを通して情報を符号化する。したがって、情報は、ニューロン集団の間でスパイクの相対的タイミングで符号化され得る。対照的に、レートコーディングは、発火レートまたは集団発火レートでニューラル情報をコーディングすることを伴う。
[0088]良いニューロンモデルでは、入力の到着の時間は、出力の時間に影響を与えるはずである。シナプス入力は、ディラックのデルタ関数であるか、成形シナプス後電位(PSP:shaped post-synaptic potential)であるかを問わず、興奮性(EPSP)であるか、抑制性(IPSP)であるかを問わず、到着時間(たとえば、デルタ関数またはステップもしくは他の入力関数の開始もしくはピークの時間)を有し、これは入力時間と呼ばれ得る。ニューロン出力(すなわち、スパイク)は、(細胞体、軸索に沿ったポイント、または軸索の端部など、どこで測定される場合でも)発生の時間を有し、これは出力時間と呼ばれ得る。出力時間は、スパイクのピークの時間、スパイクの開始の時間、または出力波形に関係する任意の他の時間であり得る。支配的な原理は、出力時間が入力時間に依存することである。
[0090]ニューロンモデルへの入力はディラックのデルタ関数、たとえば電流としての入力または伝導性ベースの入力を含み得る。後者の場合、ニューロン状態への寄与は連続的または状態依存的であり得る。
[0091]迅速な応答時間は、刺激弁別に関わるスパイキングニューロンネットワークを含む、環境入力に応答するあらゆるシステムにとって有利である。そのようなネットワークでは、環境刺激は、感覚経路内のニューロン全体に刺激固有のスパイクパターンを誘発する。特定の受容体ニューロンでは、より有効な刺激は、より多くのスパイクを誘発するだけでなく、スパイキング開始までの時間を減少させる傾向がある。このため、刺激弁別は、スパイクカウンティングメトリック、またはスパイキング開始の測定(たとえば、第1のスパイクまでの時間)のいずれかを使用することができる。各手法には長所と短所がある。たとえば、スパイクカウンティングはノイズに対してより堅牢であるが、より長い期間のサンプリングを必要とし、その結果、応答レイテンシが長くなる。応答開始を測定することははるかに迅速であるが、特定の種類のノイズ(たとえば、スパイクタイミングジッタ、または偽のスパイク)によって損なわれる可能性がある。
以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。
[C1]
人工神経系を操作するための方法であって、
刺激を受信することと、
第1のデバイスで、前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査することと、
を備える、方法。
[C2]
前記検査することが失敗した場合、前記識別された刺激に関連付けられた挙動を抑制することをさらに備える、C1に記載の方法。
[C3]
前記刺激を識別することが、第2のデバイスで、前記スパイク列の前記開始に少なくとも部分的に基づいて、第1のスパイクを生成することを備える、C1に記載の方法。
[C4]
前記第2のデバイスで、前記スパイク列内のスパイクのレートに少なくとも部分的に基づいて、第2のスパイクを生成することをさらに備え、ここにおいて、前記第2のスパイクが前記第1のスパイクの後に発生する、C3に記載の方法。
[C5]
前記識別された刺激を検査することが、前記第1のスパイクと前記第2のスパイクとの間の間隔が前記識別された刺激に対応するかどうかを決定することを備える、C4に記載の方法。
[C6]
前記第1のデバイスのニューロンが受容体人工ニューロンであり、前記第2のデバイスが、人工シナプスを介して前記受容体人工ニューロンに接続された検出器人工ニューロンである、C3に記載の方法。
[C7]
前記刺激の入力強度がスパイクの前記レートに比例し、前記スパイク列の前記開始に反比例する、C1に記載の方法。
[C8]
前記スパイク列内の一番先のスパイク、または前記スパイク列内の最初のスパイクのセットのうちの少なくとも1つに基づいて、前記スパイク列の前記開始を決定することをさらに備える、C1に記載の方法。
[C9]
基準信号と、前記スパイク列内の一番先のスパイクとの間の時間差に基づいて、前記スパイク列の前記開始を決定することをさらに備える、C1に記載の方法。
[C10]
スパイク確率の一時的な上昇に基づいて、前記スパイク列の前記開始を決定することをさらに備える、C1に記載の方法。
[C11]
スパイクの前記レートが、前記開始が決定されるよりも長い時間の期間にわたって平均化される、C1に記載の方法。
[C12]
前記検査することが失敗した場合、訂正された刺激で前記識別された刺激の表示を更新することをさらに備える、C1に記載の方法。
[C13]
訂正された刺激に関連付けられる挙動を生成するために、追加信号を出力することをさらに備える、C11に記載の方法。
[C14]
前記検査することが失敗した場合、通知を出力することをさらに備える、C1に記載の方法。
[C15]
前記生成することが、前記刺激と符号化方式とに少なくとも部分的に基づいて、前記スパイク列を生成することを備える、C1に記載の方法。
[C16]
人工神経系を操作するための装置であって、前記装置は下記を備える、
処理システムであって、
刺激を受信し、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成し、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別し、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査する、
ように構成された処理システムと、
前記処理システムに結合されたメモリ。
[C17]
人工神経系を操作するための装置であって、前記装置は下記を備える、
刺激を受信するための手段と、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成するための手段と、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別するための手段と、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査するための手段。
[C18]
人工神経系を操作するためのコンピュータプログラム製品であって、
刺激を受信することと、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査することと、
を行うために実行可能な命令を有する非一時的コンピュータ可読媒体を備える、コンピュータプログラム製品。
[C19]
人工神経系内の刺激を識別するための方法であって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信することと、
前記スパイク列の前記開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力することと、
を備える、方法。
[C20]
前記第1のスパイクと前記第2のスパイクとの間の間隔が、前記スパイク列の前記開始に少なくとも部分的に基づいて識別された前記刺激が正しいかどうかを検査するために使用される、C19に記載の方法。
[C21]
前記第1のスパイクが前記刺激の推定に対応する、C19に記載の方法。
[C22]
前記第2のスパイクが前記刺激の前記推定を改善するために使用される、C19に記載の方法。
[C23]
前記第2のスパイクのタイミングが、前記スパイク列内の複数のスパイクの統合に基づく、C19に記載の方法。
[C24]
前記刺激の入力強度がスパイクの前記レートに比例し、前記スパイク列の前記開始に反比例する、C19に記載の方法。
[C25]
人工神経系において刺激を識別するための装置であって、前記装置は下記を備える、
処理システムであって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信し、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力し、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力する、
ように構成された処理システムと、
前記処理システムに結合されたメモリ。
[C26]
人工神経系内の刺激を識別するための装置であって、前記装置は下記を備える、
人工ニューロンで2つ以上のスパイクのスパイク列を受信するための手段と、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力するための手段と、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力するための手段。
[C27]
人工神経系において刺激を識別するためのコンピュータプログラム製品であって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力することと、
を行うために実行可能な命令を有する非一時的コンピュータ可読媒体を備える、コンピュータプログラム製品。
Claims (27)
- 人工神経系を操作するための方法であって、
刺激を受信することと、
第1のデバイスで、前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査することと、
を備える、方法。 - 前記検査することが失敗した場合、前記識別された刺激に関連付けられた挙動を抑制することをさらに備える、請求項1に記載の方法。
- 前記刺激を識別することが、第2のデバイスで、前記スパイク列の前記開始に少なくとも部分的に基づいて、第1のスパイクを生成することを備える、請求項1に記載の方法。
- 前記第2のデバイスで、前記スパイク列内のスパイクの前記レートに少なくとも部分的に基づいて、第2のスパイクを生成することをさらに備え、ここにおいて、前記第2のスパイクが前記第1のスパイクの後に発生する、請求項3に記載の方法。
- 前記識別された刺激を検査することが、前記第1のスパイクと前記第2のスパイクとの間の間隔が前記識別された刺激に対応するかどうかを決定することを備える、請求項4に記載の方法。
- 前記第1のデバイスのニューロンが受容体人工ニューロンであり、前記第2のデバイスが、人工シナプスを介して前記受容体人工ニューロンに接続された検出器人工ニューロンである、請求項3に記載の方法。
- 前記刺激の入力強度がスパイクの前記レートに比例し、前記スパイク列の前記開始に反比例する、請求項1に記載の方法。
- 前記スパイク列内の一番先のスパイク、または前記スパイク列内の最初のスパイクのセットのうちの少なくとも1つに基づいて、前記スパイク列の前記開始を決定することをさらに備える、請求項1に記載の方法。
- 基準信号と、前記スパイク列内の一番先のスパイクとの間の時間差に基づいて、前記スパイク列の前記開始を決定することをさらに備える、請求項1に記載の方法。
- スパイク確率の一時的な上昇に基づいて、前記スパイク列の前記開始を決定することをさらに備える、請求項1に記載の方法。
- スパイクの前記レートが、前記開始が決定されるよりも長い時間の期間にわたって平均化される、請求項1に記載の方法。
- 前記検査することが失敗した場合、訂正された刺激で前記識別された刺激の表示を更新することをさらに備える、請求項1に記載の方法。
- 訂正された刺激に関連付けられる挙動を生成するために、追加信号を出力することをさらに備える、請求項11に記載の方法。
- 前記検査することが失敗した場合、通知を出力することをさらに備える、請求項1に記載の方法。
- 前記生成することが、前記刺激と符号化方式とに少なくとも部分的に基づいて、前記スパイク列を生成することを備える、請求項1に記載の方法。
- 人工神経系を操作するための装置であって、前記装置は下記を備える、
処理システムであって、
刺激を受信し、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成し、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別し、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査する、
ように構成された処理システムと、
前記処理システムに結合されたメモリ。 - 人工神経系を操作するための装置であって、前記装置は下記を備える、
刺激を受信するための手段と、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成するための手段と、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別するための手段と、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査するための手段。 - 人工神経系を操作するためのコンピュータプログラム製品であって、
刺激を受信することと、
前記刺激に少なくとも部分的に基づいて、2つ以上のスパイクのスパイク列を生成することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記刺激を識別することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記識別された刺激を検査することと、
を行うために実行可能な命令を有する非一時的コンピュータ可読媒体を備える、コンピュータプログラム製品。 - 人工神経系内の刺激を識別するための方法であって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力することと、
を備える、方法。 - 前記第1のスパイクと前記第2のスパイクとの間の間隔が、前記スパイク列の前記開始に少なくとも部分的に基づいて識別された前記刺激が正しいかどうかを検査するために使用される、請求項19に記載の方法。
- 前記第1のスパイクが前記刺激の推定に対応する、請求項19に記載の方法。
- 前記第2のスパイクが前記刺激の推定を改善するために使用される、請求項19に記載の方法。
- 前記第2のスパイクのタイミングが、前記スパイク列内の複数のスパイクの統合に基づく、請求項19に記載の方法。
- 前記刺激の入力強度がスパイクの前記レートに比例し、前記スパイク列の前記開始に反比例する、請求項19に記載の方法。
- 人工神経系において刺激を識別するための装置であって、前記装置は下記を備える、
処理システムであって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信し、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力し、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力する、
ように構成された処理システムと、
前記処理システムに結合されたメモリ。 - 人工神経系内の刺激を識別するための装置であって、前記装置は下記を備える、
人工ニューロンで2つ以上のスパイクのスパイク列を受信するための手段と、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力するための手段と、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力するための手段。 - 人工神経系において刺激を識別するためのコンピュータプログラム製品であって、
人工ニューロンで2つ以上のスパイクのスパイク列を受信することと、
前記スパイク列の開始に少なくとも部分的に基づいて、前記人工ニューロンから第1のスパイクを出力することと、
前記スパイク列内の前記スパイクのレートに少なくとも部分的に基づいて、前記人工ニューロンから第2のスパイクを出力することと、
を行うために実行可能な命令を有する非一時的コンピュータ可読媒体を備える、コンピュータプログラム製品。
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 US10282660B2 (en) | 2014-01-06 | 2014-05-16 | Simultaneous latency and rate coding for automatic error correction |
US14/279,375 | 2014-05-16 | ||
PCT/US2014/071372 WO2015102935A2 (en) | 2014-01-06 | 2014-12-19 | Simultaneous latency and rate coding for automatic error correction |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017507397A true JP2017507397A (ja) | 2017-03-16 |
JP2017507397A5 JP2017507397A5 (ja) | 2018-01-11 |
Family
ID=52350355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016544506A Pending JP2017507397A (ja) | 2014-01-06 | 2014-12-19 | 自動エラー訂正のための同時レイテンシおよびレートコーディング |
Country Status (6)
Country | Link |
---|---|
US (1) | US10282660B2 (ja) |
EP (1) | EP3092605A2 (ja) |
JP (1) | JP2017507397A (ja) |
CN (1) | CN105874478A (ja) |
TW (1) | TW201539336A (ja) |
WO (1) | WO2015102935A2 (ja) |
Families Citing this family (7)
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 |
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 |
CN109948788B (zh) * | 2019-03-07 | 2021-01-15 | 清华大学 | 基于fpga的神经网络加速器 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040204769A1 (en) * | 2001-01-12 | 2004-10-14 | Richmond Barry J. | Decoding algorithm for neuronal reponses |
JP2005267105A (ja) * | 2004-03-17 | 2005-09-29 | Canon Inc | 並列パルス信号処理装置、パターン認識装置、及び画像入力装置 |
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 |
Family Cites Families (16)
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 |
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 |
US7395251B2 (en) | 2005-07-01 | 2008-07-01 | International Business Machines Corporation | Neural networks for prediction and control |
WO2008039331A1 (en) * | 2006-09-22 | 2008-04-03 | The Trustees Of The University Of Pennsylvania | Classification of sub cortical structures |
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 |
WO2012078503A2 (en) * | 2010-12-05 | 2012-06-14 | 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 JP JP2016544506A patent/JP2017507397A/ja active Pending
- 2014-12-19 CN CN201480072237.9A patent/CN105874478A/zh active Pending
- 2014-12-19 WO PCT/US2014/071372 patent/WO2015102935A2/en active Application Filing
- 2014-12-23 TW TW103145024A patent/TW201539336A/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040204769A1 (en) * | 2001-01-12 | 2004-10-14 | Richmond Barry J. | Decoding algorithm for neuronal reponses |
JP2005267105A (ja) * | 2004-03-17 | 2005-09-29 | Canon Inc | 並列パルス信号処理装置、パターン認識装置、及び画像入力装置 |
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 (1)
Title |
---|
渡辺 正峰 外1名: "「デュアルコーディングとネットワークダイナミクス」", 電子情報通信学会技術研究報告, vol. 第100巻,第191号, JPN6018041339, 11 July 2000 (2000-07-11), pages pp.31−36 * |
Also Published As
Publication number | Publication date |
---|---|
TW201539336A (zh) | 2015-10-16 |
WO2015102935A3 (en) | 2015-10-08 |
US10282660B2 (en) | 2019-05-07 |
US20150193680A1 (en) | 2015-07-09 |
CN105874478A (zh) | 2016-08-17 |
EP3092605A2 (en) | 2016-11-16 |
WO2015102935A2 (en) | 2015-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6130056B2 (ja) | スパイキングネットワークの効率的なハードウェア実装 | |
JP6275868B2 (ja) | ニューラルウォッチドッグ | |
JP2017507397A (ja) | 自動エラー訂正のための同時レイテンシおよびレートコーディング | |
US9558442B2 (en) | Monitoring neural networks with shadow networks | |
JP2016538632A (ja) | 教師あり学習を使用してクラスにタグ付けするための方法および装置 | |
JP2017513127A (ja) | スパイキング深層信念ネットワーク(dbn)におけるトレーニング、認識、および生成 | |
US9652711B2 (en) | Analog signal reconstruction and recognition via sub-threshold modulation | |
US20150212861A1 (en) | Value synchronization across neural processors | |
JP2017514215A (ja) | スパイキングニューラルネットワークを使用する画像の不変オブジェクト表現 | |
KR20160123309A (ko) | 확률적 스파이킹 베이지안망들에 대한 이벤트-기반 추론 및 학습 | |
JP2016539414A (ja) | スパイキングニューラルネットワークにおいてリプレーを使用するシナプス学習を実装すること | |
US9710749B2 (en) | Methods and apparatus for implementing a breakpoint determination unit in an artificial nervous system | |
JP2016536657A (ja) | ニューラルモデルのためのグループタグの実装のための方法および装置 | |
JP2017510890A (ja) | 一般的なニューロンモデルの効率的な実装のための方法および装置 | |
JP2016538633A (ja) | 多次元範囲にわたって分離可能なサブシステムを含むシステムの評価 | |
JP6193509B2 (ja) | 可塑性シナプス管理 | |
JP6219509B2 (ja) | シナプス遅延を動的に割り当てることおおよび検査すること | |
JP6096388B2 (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
US9418332B2 (en) | Post ghost plasticity | |
JP2016536676A (ja) | ニューラルモデル実行をリモートで制御および監視するための方法および装置 | |
US20150278684A1 (en) | Time synchronization of spiking neuron models on multiple nodes | |
JP2017509979A (ja) | 空間ターゲット選択のためのアンバランスな交差抑制メカニズム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171121 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171121 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181023 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190521 |