概要

ニューラルネットワークパラメータの変動性の影響や学習における制限された重みの影響など、シミュレーションでは通常考慮されないさまざまな制約を考慮して、脳に触発されたシステムにおけるスパイクベースの学習の役割を理解することを目指しています。トレーニングフェーズ。私たちの中期目標は、シーケンス処理タスク(つまり、センサーからのイベントのストリーム)でエネルギー効率と並行して効果的に実行し、インテリジェントな動作を生成し、相互作用し、環境に適応できる革新的な認知脳に触発されたシステムを開発することです。
現在、義肢ロボットアームと感覚処理アプリケーションの適応制御におけるスパイキングニューラルネットワークの特定のアプリケーションを対象とした、堅牢なアルゴリズム、アーキテクチャ、およびデジタル実装を研究しています。概念実証のために、3D-ICの生物学的脳の3次元構造(R-NASH)に明示的に適合した、信頼性の高い3次元デジタルニューロモーフィックシステムのプロトタイプを作成しました。ネットワーク内の情報は、スパイクタイミングと学習のまばらなパターンで表されます。ローカルスパイクタイミング依存の可塑性ルールに基づいています。 R-NASHは、フルカスタムのメニーコアシステムオンチップ統合を対象としたリアルタイムで低電力のソリューションを実現します。

関連資料を参照してください.

講座・グループ

研究カテゴリー

活動分野
システム設計 組込み機器 知能システム Others
関連キーワード