Abstract
Neuromorf rekenen is een opkomend onderzoeksveld. In machinaal leren worden spiking neurale netwerken reeds gebruikt omwille van het vooruitzicht van het laag stroomverbruik van brein geïnspireerde systemen, waarmee tot een grootteorde energie wordt bespaard in uitvoering. Recent zijn er vergevorderde leermethoden ontwikkeld voor spiking neurale netwerken om de kloof in prestaties met diep leren te overbruggen, wat gebruik in reële toepassingen op elk apparaat, zoals continue hartslagmeting in smartwatches of on-sensor detectie van gevaarlijke geluiden mogelijk maakt. Preciezer, de vloeiende toestandsmachine (LSM), een recurrent reservoir-gebaseerd spiking neuraal netwerk, komt naar voor als een eenvoudig maar inherent zeer krachtig computationeel kader ter verwerking van spatio-temporele data. De op spikes gebaseerde verwerking van tijdsreeksen in een reservoir maken het mogelijk voor de LSM om kenmerken op een unieke wijze te extraheren. Er zijn nog veel open onderzoeksvragen, zoals wat voor soort leren het beste past bij het neuromorfische reservoir en hoe meerdere reservoirs op een optimale wijze kunnen worden geconnecteerd om zo de meest belangrijke kenmerken te extraheren. In deze aanvraag introduceren we nieuwe, op spikes gebaseerde, leerregels om relevante kenmerken kunnen afleiden in de LSM, meerdere reservoirs op een optimale wijze met elkaar connecteren door te focussen op de belangrijkste kenmerken om de prestaties van LSM bij laag stroomverbruik te verbeteren.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)