Page 51 - 112-2小論文
P. 51

第三代人工智慧 SNN 模型原理解析與前景

                                圖四：馮諾依曼架構


























            圖四資料來源：GeeksforGeeks（2023  年  7  月  9 日）。  Computer Organization | Von Neumann
            architecture。https://www.geeksforgeeks.org/computer-organization-von-neumann-architecture/


                      （三）不可微性的雙刃劍

                                脈衝神經元輸出不可微，其實就是脈衝的全有全無。雖然前文中得知不可
                           微性使  SNN 模型具高穩健性、稀疏性等。然而，這同樣使得  SNN 模型容易丟
                           失細節數據，在多層次的神經元中表現較為明顯。

                                其次，不可微性導致了常規反向傳播  (BP)的失效。進行反向傳播時，梯度
                           下降是至關重要的一步，但不可微性令其無法找到下降向量。這使得  SNN 的訓
                           練無法使用當今已然成熟的  GAN 一類好用的 BP 訓練算法。

                                當然，從另外一方面來講  SNN 便是當今人工智慧的前沿，有無數工程師正
                           在研究  SNN 的優化算法。有工程師提出  LIF 模型、  ANN to SNN 的  Hybrid 模
                           型可以解決細節丟失問題。有工程師提出  STDP 訓練算法以解決訓練問題，甚
                           至賦予人工智慧動態修正的能力。然而，這些都依然在演變過程中。

                 2.     SNN 模型的前景

                           SNN 模型的低功耗、動態處理等能力在不少領域具有優勢，雖然其普及仍需相
                      應架構的晶片發展。比如，  SNN 為腦機接口  ( BCI, Brain-Computer Interface)提供了
                      一個相當有力的工具。腦機接口是一種將大腦訊息與外外部設備直接溝通的裝置。
                      過去在分析腦活動時就常使用  ANN 來輔助解碼，而  Feng, L.,et al. (2023)就在文章中
                      敘述了腦電圖  (EEG)在  SNN 的協助下獲得更高的精度。另外像是自動駕駛、監控網
                      路、邊緣計算等需要動態處理、低功耗或高穩健性的服務都存在著  SNN 的巨大潛力
                      發展空間。



                                                            8
   46   47   48   49   50   51   52   53   54   55   56