ترجمه فارسی مقاله پتانسیل استراتژی های یادگیری ترکیبی برای افزایش بهره وری انرژی سیستم های نورومورفیک اسپکینگ

چکیده

Ensuring energy-efficient design in neuromorphic computing systems necessitates a tailored architecture combined with algorithmic approaches. This manuscript focuses on enhancing brain-inspired perceptual computing machines through a novel combined learning approach for Convolutional Spiking Neural Networks (CSNNs). CSNNs present a promising alternative to traditional power-intensive and complex machine learning methods like backpropagation, offering energy-efficient spiking neuron processing inspired by the human brain. The proposed combined learning method integrates Pair-based Spike Timing-Dependent Plasticity (PSTDP) and power law-dependent Spike-timing-dependent plasticity (STDP) to adjust synaptic efficacies, enabling the utilization of stochastic elements like memristive devices to enhance energy efficiency and improve perceptual computing accuracy. By reducing learning parameters while maintaining accuracy, these systems consume less energy and have reduced area overhead, making them more suitable for hardware implementation. The research delves into neuromorphic design architectures, focusing on CSNNs to provide a general framework for energy-efficient computing hardware. Various CSNN architectures are evaluated to assess how less trainable parameters can maintain acceptable accuracy in perceptual computing systems, positioning them as viable candidates for neuromorphic architecture. Comparisons with previous work validate the achievements and methodology of the proposed architecture.

چکیده به فارسی (ترجمه ماشینی)

اطمینان از طراحی کارآمد در سیستم های محاسبات عصبی ، یک معماری متناسب با رویکردهای الگوریتمی را ضروری می کند.این نسخه خطی بر تقویت دستگاه های محاسباتی ادراکی الهام گرفته از مغز از طریق یک رویکرد یادگیری ترکیبی جدید برای شبکه های عصبی سنبله حلزونی (CSNN) متمرکز شده است.CSNN ها جایگزین امیدوارکننده ای برای روشهای یادگیری ماشین قدرت و پیچیده سنتی مانند Backpropagation ارائه می دهند و پردازش نورون سنبله کارآمد با الهام از مغز انسان را ارائه می دهند.روش یادگیری ترکیبی پیشنهادی ، انعطاف پذیری وابسته به زمان بندی مبتنی بر جفت (PSTDP) و انعطاف پذیری وابسته به سنبله وابسته به قدرت (STDP) را برای تنظیم کارآیی های سیناپسی ادغام می کند و امکان استفاده از عناصر تصادفی مانند دستگاه های یادبود را فراهم می کند تا راندمان انرژی و انرژی را تقویت کند.دقت محاسبات ادراکی را بهبود بخشید.این سیستم ها با کاهش پارامترهای یادگیری ضمن حفظ دقت ، انرژی کمتری مصرف می کنند و سطح بالای سطح آن را کاهش می دهند و آنها را برای اجرای سخت افزار مناسب تر می کند.این تحقیق به معماری های طراحی عصبی می پردازد ، و با تمرکز بر CSNN ها برای ارائه یک چارچوب کلی برای سخت افزار محاسبات با انرژی.معماری های مختلف CSNN برای ارزیابی اینکه چگونه پارامترهای قابل آموزش کمتر می توانند دقت قابل قبول را در سیستم های محاسباتی ادراکی حفظ کنند ، ارزیابی می شوند و آنها را به عنوان کاندیداهای زنده برای معماری عصبی قرار می دهند.مقایسه با کار قبلی ، دستاوردها و روشهای معماری پیشنهادی را تأیید می کند.