ترجمه فارسی مقاله یادگیری انتقالی چند مرحله‌ای برای تشخیص قصد ترمزگیری شخصی‌سازی‌شده روی سخت‌افزار نورومورفیک

چکیده

Objective: This work explores use of a few-shot transfer learning method to train and implement a convolutional spiking neural network (CSNN) on a BrainChip Akida AKD1000 neuromorphic system-on-chip for developing individual-level, instead of traditionally used group-level, models using electroencephalographic data. The efficacy of the method is studied on an advanced driver assist system related task of predicting braking intention. Main Results: Efficacy of the above methodology to develop individual specific braking intention predictive models by rapidly adapting the group-level model in as few as three training epochs while achieving at least 90% accuracy, true positive rate and true negative rate is presented. Further, results show an energy reduction of over 97% with only a 1.3x increase in latency when using the Akida AKD1000 processor for network inference compared to an Intel Xeon CPU. Similar results were obtained in a subsequent ablation study using a subset of five out of 19 channels. Significance: Especially relevant to real-time applications, this work presents an energy-efficient, few-shot transfer learning method that is implemented on a neuromorphic processor capable of training a CSNN as new data becomes available, operating conditions change, or to customize group-level models to yield personalized models unique to each individual.

چکیده به فارسی (ترجمه ماشینی)

هدف: این کار به بررسی استفاده از روش یادگیری انتقال چند شات برای آموزش و اجرای یک شبکه عصبی سنبله حلقوی (CSNN) بر روی یک سیستم عصبی-تراشه نورومورفیک Brainchip Akida AKD1000 برای توسعه سطح فردی ، به جای سطح گروهی که به طور سنتی استفاده می شود ، بررسی می کند.، مدل هایی با استفاده از داده های الکتروانسفالوگرافی.اثربخشی این روش بر روی یک کار پیشرفته درایور کمک به سیستم مربوط به پیش بینی قصد ترمز مورد بررسی قرار گرفته است.نتایج اصلی: اثربخشی روش فوق برای توسعه مدل های پیش بینی کننده خاص ترمز خاص با تطبیق سریع مدل سطح گروه در سه دوره آموزش در حالی که حداقل 90 ٪ دقت ، نرخ مثبت مثبت و نرخ منفی واقعی ارائه می شود.علاوه بر این ، نتایج نشان می دهد کاهش انرژی بیش از 97 ٪ با تنها افزایش 1.3 برابر در تأخیر هنگام استفاده از پردازنده AKIDA AKD1000 برای استنباط شبکه در مقایسه با پردازنده اینتل Xeon.نتایج مشابه در یک مطالعه فرسایش بعدی با استفاده از زیر مجموعه از پنج از 19 کانال به دست آمد.اهمیت: به ویژه مربوط به برنامه های کاربردی در زمان واقعی ، این کار یک روش یادگیری انتقال انرژی با انرژی چندگانه را ارائه می دهد که بر روی یک پردازنده عصبی اجرا می شود که قادر به آموزش CSNN است زیرا داده های جدید در دسترس قرار می گیرد ، شرایط عملیاتی تغییر می کند یا برای شخصی سازی گروهمدل های سطح برای ارائه مدلهای شخصی منحصر به فرد برای هر فرد.