2023年9月出版
作者
J.K.Eshraghian等人。
摘要
大脑是寻找灵感开发更高效神经网络的最佳场所。我们的突触和神经元的内部工作为我们提供了深入学习未来的一瞥。本文作为一个教程和视角，展示了如何将几十年来在深度学习、梯度下降、反向传播和神经科学方面的研究所获得的经验教训应用于生物学上合理的尖峰神经网络（SNN）。我们还探索了将数据编码为尖峰与学习过程之间的微妙相互作用；将梯度学习应用于SNN的挑战和解决方案；时间反向传播和峰值时间相关塑性之间的微妙联系；以及深度学习可能如何走向生物学上合理的在线学习。一些想法在神经形态工程界被广泛接受和使用，而其他想法则是首次在这里提出或证明。还提供了使用我们的Python包snnTorch补充本文的一系列配套交互式教程：https://snntorch.readthedocs.io/en/latest/tutorials/index.html .
查看IEEE Xplore上的这篇文章
