Page 45 - 112-2小論文
P. 45

第三代人工智慧 SNN 模型原理解析與前景

                 圖一：  ANN 與 SNN 模型對比





























            圖一資料來源：Feng,  L.,  Shan,  H.,  Fan,  Z.,  Zhang,  Y.,  Yang,  L.,  &  Zhu,  Z.  (2023).  Towards
            Neuromorphic  Brain-Computer  Interfaces:  Model  and  Circuit  Co-Design  of  the  Spiking
            EEGNet. Microelectronics Journal , 137 , 105808. https://doi.org/j.mejo.2023.105808

                           上一層神經所輸出的尖峰序列進到當前神經元時，便依照到達的時間關係權重
                      相加，計算更新膜電位，即可理解為  SNN 中資訊被編碼為尖峰的到達和時間，也因
                      此 SNN 模型對比 ANN 模型擁有了更高的時間敏感性，使其處理動態資訊具有優勢。
                      輸入的時間維度由幾個“ticks”組成。  tick 是  SNN 中神經元評估其輸入、更新其電
                      位元以及根據其模型參數可能在其輸出中產生尖峰的最小時間單位。故  SNN 中的
                      神經元不會像傳統的  ANN 模型在每個傳播週期結束時傳輸資訊。

                 3.   通過幀的輸入和事件輸入瞭解 SNN 的記憶體與能耗優勢

                           下圖圖二顯示了非脈衝神經元（即 ANN）基於幀的輸入和脈衝神經元  (SNN)具
                      有速率編碼尖峰的基於事件的輸入之間的示例比較。通常，非脈衝神經網路中每一
                      層的輸入都是值的張量，即多通道矩陣。相反，在 SNN 中，對每一層的輸入是具有
                      時間和空間位置的事件。













                                                            2
   40   41   42   43   44   45   46   47   48   49   50