ترجمه فارسی مقاله محاسبات مخزنی نورومورفیک روی تراشه با معماری‌های شبکه عصبی اسپایکی

چکیده

Reservoir computing is a promising approach for harnessing the computational power of recurrent neural networks while dramatically simplifying training. This paper investigates the application of integrate-and-fire neurons within reservoir computing frameworks for two distinct tasks: capturing chaotic dynamics of the Hénon map and forecasting the Mackey-Glass time series. Integrate-and-fire neurons can be implemented in low-power neuromorphic architectures such as Intel Loihi. We explore the impact of network topologies created through random interactions on the reservoir’s performance. Our study reveals task-specific variations in network effectiveness, highlighting the importance of tailored architectures for distinct computational tasks. To identify optimal network configurations, we employ a meta-learning approach combined with simulated annealing. This method efficiently explores the space of possible network structures, identifying architectures that excel in different scenarios. The resulting networks demonstrate a range of behaviors, showcasing how inherent architectural features influence task-specific capabilities. We study the reservoir computing performance using a custom integrate-and-fire code, Intel’s Lava neuromorphic computing software framework, and via an on-chip implementation in Loihi. We conclude with an analysis of the energy performance of the Loihi architecture.

چکیده به فارسی (ترجمه ماشینی)

محاسبات مخزن یک رویکرد امیدوار کننده برای استفاده از قدرت محاسباتی شبکه های عصبی مکرر و در عین حال ساده سازی آموزش است.در این مقاله به بررسی کاربرد نورونهای یکپارچه و آتش در چارچوب های محاسبات مخزن برای دو کار مجزا: ضبط دینامیک هرج و مرج از نقشه هنون و پیش بینی سری زمان شیشه ای مکی پرداخته شده است.نورونهای ادغام و آتش می توانند در معماری های عصبی کم قدرت مانند Intel Loihi اجرا شوند.ما تأثیر توپولوژی های شبکه ایجاد شده از طریق تعامل تصادفی بر عملکرد مخزن را بررسی می کنیم.مطالعه ما تغییرات خاص وظیفه در اثربخشی شبکه را نشان می دهد ، و اهمیت معماری های متناسب را برای کارهای محاسباتی مجزا برجسته می کند.برای شناسایی تنظیمات بهینه شبکه ، ما از یک روش یادگیری متا همراه با بازپخت شبیه سازی شده استفاده می کنیم.این روش به طور مؤثر به بررسی فضای ساختارهای شبکه احتمالی می پردازد و معماری هایی را که در سناریوهای مختلف برتری دارند ، شناسایی می کند.شبکه های حاصل طیف وسیعی از رفتارها را نشان می دهند ، و نشان می دهد که چگونه ویژگی های معماری ذاتی بر قابلیت های خاص کار تأثیر می گذارد.ما عملکرد محاسبات مخزن را با استفاده از یک کد ادغام و آتش سوزی سفارشی ، چارچوب نرم افزار محاسبات عصبی گدازه Intel و از طریق اجرای تراشه در LoiHi مطالعه می کنیم.ما با تجزیه و تحلیل عملکرد انرژی معماری Loihi نتیجه می گیریم.