ترجمه فارسی مقاله مدولاسیون سیناپسی با استفاده از فواصل بین اسپایک، راندمان انرژی شبکه‌های عصبی اسپایک را افزایش می‌دهد

چکیده

Despite basic differences between Spiking Neural Networks (SNN) and Artificial Neural Networks (ANN), most research on SNNs involve adapting ANN-based methods for SNNs. Pruning (dropping connections) and quantization (reducing precision) are often used to improve energy efficiency of SNNs. These methods are very effective for ANNs whose energy needs are determined by signals transmitted on synapses. However, the event-driven paradigm in SNNs implies that energy is consumed by spikes. In this paper, we propose a new synapse model whose weights are modulated by Interspike Intervals (ISI) i.e. time difference between two spikes. SNNs composed of this synapse model, termed ISI Modulated SNNs (IMSNN), can use gradient descent to estimate how the ISI of a neuron changes after updating its synaptic parameters. A higher ISI implies fewer spikes and vice-versa. The learning algorithm for IMSNNs exploits this information to selectively propagate gradients such that learning is achieved by increasing the ISIs resulting in a network that generates fewer spikes. The performance of IMSNNs with dense and convolutional layers have been evaluated in terms of classification accuracy and the number of spikes using the MNIST and FashionMNIST datasets. The performance comparison with conventional SNNs shows that IMSNNs exhibit upto 90% reduction in the number of spikes while maintaining similar classification accuracy.

چکیده به فارسی (ترجمه ماشینی)

با وجود تفاوت های اساسی بین شبکه های عصبی سنبله (SNN) و شبکه های عصبی مصنوعی (ANN) ، بیشتر تحقیقات در مورد SNN ها شامل تطبیق روشهای مبتنی بر ANN برای SNN ها است.هرس (اتصالات افت) و کمیت (کاهش دقت) اغلب برای بهبود بهره وری انرژی SNN ها استفاده می شود.این روشها برای ANN ها که نیازهای انرژی آنها توسط سیگنال های منتقل شده به سیناپس ها تعیین می شود ، بسیار مؤثر است.با این حال ، الگوی رویداد محور در SNN ها دلالت بر این دارد که انرژی توسط سنبله مصرف می شود.در این مقاله ، ما یک مدل سیناپس جدید را پیشنهاد می کنیم که وزن آنها توسط فواصل interspike (ISI) یعنی اختلاف زمانی بین دو سنبله تعدیل می شود.SNN های متشکل از این مدل سیناپس ، SNN های مدوله شده ISI (IMSNN) ، می توانند از تبار شیب استفاده کنند تا تخمین بزنند که چگونه ISI یک نورون پس از به روزرسانی پارامترهای سیناپسی خود تغییر می کند.ISI بالاتر حاکی از سنبله های کمتری است و برعکس.الگوریتم یادگیری برای IMSNNS از این اطلاعات برای انتشار انتخابی شیب به گونه ای استفاده می کند به گونه ای که یادگیری با افزایش داعش حاصل می شود و در نتیجه شبکه ای ایجاد می شود که باعث ایجاد سنبله های کمتری می شود.عملکرد IMSNN ها با لایه های متراکم و حلقوی از نظر دقت طبقه بندی و تعداد سنبله ها با استفاده از مجموعه داده های MNIST و FashionMnist ارزیابی شده است.مقایسه عملکرد با SNN های معمولی نشان می دهد که IMSNN ها ضمن حفظ دقت طبقه بندی مشابه ، 90 ٪ کاهش در تعداد سنبله ها را نشان می دهند.