文献

J-GLOBAL ID：201802274278418435   整理番号：18A0079336

リアルタイム再構成可能な学習ネットワークのためのディジタルスパイキングニューロン細胞【Powered by NICT】

Digital spiking neuron cells for real-time reconfigurable learning networks

著者 (3件)： Lin Haipeng (Circuits and Systems Group, Delft University of Technology, Delft, The Netherlands) ,  Zjajo Amir (Circuits and Systems Group, Delft University of Technology, Delft, The Netherlands) ,  van Leuken Rene (Circuits and Systems Group, Delft University of Technology, Delft, The Netherlands)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SOCC  ページ： 163-168  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： スパイキングニューロンネットワークとその複雑性の現実性の高いレベルを実現ネットワークのサイズを制限する本質的な計算資源を必要とする。,建物錯体と生物学的に正確なスパイキングニューロンネットワークにおける主要な課題は,主に高い計算とデータ転送要求によって設定される。本論文では,軸索伝導遅延とスパイクタイミング依存可塑性のような特性を持つスパイキングニューロンのいくつかの効率的なモデルを実装した。実験結果は,提案した実時間データフロー学習ネットワークアーキテクチャは,単一のFPGAデバイスにおける2800以上の(モデルの複雑さに依存して)生物物理学的に正確なニューロンの容量を可能にすることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： FPGA ,  *学習 ,  軸索 ,  錯体 ,  ネットワークアーキテクチャ ,  データ転送 ,  生物物理学 ,  *ネットワーク ,  *ニューロン
準シソーラス用語： *スパイキングニューロン ,  スパイクタイミング依存シナプス可塑性 ,  計算資源 ,  複雑性 ,  *再構成可能性 ,  *実時間 , 【Automatic Indexing@JST】

分類 (1件)： 脳・神経系モデル  (EL02050C)

タイトルに関連する用語 (6件)： リアルタイム ,  再構成 ,  学習 ,  ディジタル ,  スパイキングニューロン ,  細胞