![見出し画像](https://assets.st-note.com/production/uploads/images/118764466/rectangle_large_type_2_131dfd9d4ec1e5e5832c88f7db5785f5.png?width=1200)
SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence
https://www.science.org/doi/10.1126/sciadv.adi1480
本研究の学術的背景や問いは、スパイキングニューラルネットワーク(SNNs)が、ニューロモーフィックチップ上で高エネルギー効率により脳に触発された知能を実現することを目指していることです。しかし、新たに出現したスパイキング深層学習のパラダイムが増えるにつれて、従来のプログラミングフレームワークでは、自動微分、並列計算の高速化、ニューロモーフィックデータセットの処理とデプロイメントの高度な統合などの要求を満たすことができません。
本研究の目的は、上記の問題を解決するためのSpikingJellyフレームワークを提供することです。また、学術的な独自性と創造性は、ニューロモーフィックデータセットの前処理、深層SNNsの構築、パラメータの最適化、ニューロモーフィックチップ上でのSNNsのデプロイメントのためのフルスタックツールキットを提供することにあります。
本研究の着想は、人工ニューラルネットワーク(ANNs)が画像分類、オブジェクト検出、機械翻訳、音声認識、ゲームなどの分野で人間の平均的な能力を超える結果を出している一方で、脳科学からの洞察が人間レベルのAIシステムを構築するために重要であるという認識から来ています。また、関連する研究動向としては、脳科学指向のスパイキングニューラルネットワーク(SNNs)が次世代のニューラルネットワークとして注目されています。
本研究では、SpikingJellyフレームワークを提供し、ニューロモーフィックデータセットの前処理、深層SNNsの構築、パラメータの最適化、ニューロモーフィックチップ上でのSNNsのデプロイメントのためのフルスタックツールキットを提供しました。既存の方法と比較して、深層SNNsの訓練は11倍高速化でき、SpikingJellyの優れた拡張性と柔軟性により、ユーザーは多層継承と半自動コード生成を通じて低コストでカスタムモデルを高速化することができます。
本研究の有効性は、深層SNNsの訓練が11倍高速化できること、そしてSpikingJellyの優れた拡張性と柔軟性により、ユーザーが多層継承と半自動コード生成を通じて低コストでカスタムモデルを高速化できることを示すことで検証されました。
この記事が気に入ったらサポートをしてみませんか?