Aprendizaje impulsado por eventos para redes neuronales de picos

Las redes neuronales de picos (SNNs) inspiradas en el cerebro han ganado protagonismo en el campo de la computación neuromórfica debido a su bajo consumo de energía durante la inferencia feedforward en hardware neuromórfico. Sin embargo, sigue siendo un desafío abierto cómo beneficiarse eficazmente de la propiedad esparcida y basada en eventos de las SNNs para minimizar los costos del aprendizaje por retropropagación. En este artículo, realizamos un examen exhaustivo de los algoritmos existentes de aprendizaje impulsado por eventos, revelamos sus limitaciones y proponemos soluciones novedosas para superarlas. Específicamente, introducimos dos nuevos métodos de aprendizaje impulsados por eventos: los algoritmos impulsados por eventos dependientes del tiempo de disparo (STD-ED) y dependientes del potencial de membrana (MPD-ED). Estos algoritmos propuestos aprovechan el tiempo preciso de disparo neuronal y el potencial de membrana, respectivamente, para un aprendizaje eficaz. Los dos métodos son evaluados extensamente en conjuntos de datos estáticos y neuromórficos para confirmar su rendimiento superior. Superan a sus equivalentes impulsados por eventos existentes hasta en un 2.51% para STD-ED y un 6.79% para MPD-ED en el conjunto de datos CIFAR-100. Además, validamos teórica y experimentalmente la eficiencia energética de nuestros métodos en hardware neuromórfico. Los experimentos de aprendizaje en chip lograron una reducción notable de 30 veces en el consumo energético sobre los métodos de gradiente sustituto basados en pasos temporales. La eficiencia y eficacia demostrada de los métodos de aprendizaje impulsado por eventos propuestos enfatizan su potencial para avanzar significativamente en los campos de la computación neuromórfica, ofreciendo caminos prometedores para aplicaciones de eficiencia energética.