ترجمه فارسی مقاله Inferno: چارچوبی قابل توسعه برای شبکه های عصبی Spiking

چکیده

This paper introduces Inferno, a software library built on top of PyTorch that is designed to meet distinctive challenges of using spiking neural networks (SNNs) for machine learning tasks. We describe the architecture of Inferno and key differentiators that make it uniquely well-suited to these tasks. We show how Inferno supports trainable heterogeneous delays on both CPUs and GPUs, and how Inferno enables a “write once, apply everywhere” development methodology for novel models and techniques. We compare Inferno’s performance to BindsNET, a library aimed at machine learning with SNNs, and Brian2/Brian2CUDA which is popular in neuroscience. Among several examples, we show how the design decisions made by Inferno facilitate easily implementing the new methods of Nadafian and Ganjtabesh in delay learning with spike-timing dependent plasticity.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله Inferno ، یک کتابخانه نرم افزاری که در بالای Pytorch ساخته شده است که برای برآورده کردن چالش های متمایز استفاده از شبکه های عصبی سنبله (SNN) برای کارهای یادگیری ماشین طراحی شده است.ما معماری Inferno و تمایز دهنده های کلیدی را توصیف می کنیم که آن را منحصر به فرد با این کارها مناسب می کند.ما نشان می دهیم که چگونه Inferno از تأخیرهای ناهمگن قابل آموزش در هر دو CPU و GPU پشتیبانی می کند ، و اینکه چگونه Inferno یک روش توسعه “نوشتن یک بار ، استفاده از همه جا” را برای مدل ها و تکنیک های جدید امکان پذیر می کند.ما عملکرد Inferno را با Bindsnet ، کتابخانه ای با هدف یادگیری ماشین با SNN ها و Brian2/Brian2cuda که در علوم اعصاب محبوب است ، مقایسه می کنیم.در بین چندین مثال ، ما نشان می دهیم که چگونه تصمیمات طراحی گرفته شده توسط Inferno به راحتی اجرای روشهای جدید نادافیان و گنجتابش در تأخیر در یادگیری با انعطاف پذیری وابسته به سنبله را تسهیل می کند.