基于脉冲的神经形态硬件,具有适用于 AI 应用的长期短期记忆
基于尖峰的神经形态技术的前景是,它将为深度神经网络提供比 GPU 等标准硬件更节能的实现。 这需要了解如何使用基于事件的稀疏触发机制来模拟 DNN。 否则,能源优势将丧失。 解决序列处理任务的 DNN 通常使用长短期记忆 (LSTM),但是当尖峰很少时这些很难模拟。 我们表明,许多生物神经元的一个方面,即每次尖峰后超极化 (AHP) 后的缓慢电流,提供了一种有效的解决方案。 AHP 电流很容易在支持神经元多隔室模型的神经形态芯片中实现,例如英特尔的 Loihi 芯片。 滤波器近似假设解释了 AHP 神经元如何能够模拟 LSTM 单元的功能。
来源和详细信息:
https://arxiv.org/abs/2107.03992