Vers des systèmes pilotés par événements de bout en bout : un cadre hiérarchique de codage prédictif par spikes orienté matériel pour l'apprentissage embarqué

Intégrer l'apprentissage embarqué dans les systèmes autonomes nécessite des cadres de réseaux de neurones qui assurent à la fois une haute efficacité énergétique et une faible latence. Bien que les réseaux neuronaux à spikes (SNNs) offrent un paradigme prometteur piloté par événements, la mise en œuvre d'un apprentissage efficace matériellement demeure un défi en raison de la surcharge computationnelle liée à la signalisation des erreurs et aux gradients globaux. Cet article introduit un cadre hiérarchique de codage prédictif par spikes (SPC) orienté matériel conçu pour des systèmes pilotés par événements de bout en bout. L'architecture proposée met en œuvre un mécanisme implicite d'encodage des erreurs de prédiction via des connexions locales latérales et de rétroaction supervisée, éliminant le besoin d'une mémoire dédiée au stockage des erreurs ou de communications complexes d'erreurs entre couches. L'ensemble du cadre est structuré et paramétré pour une implémentation physique, utilisant des simulations alignées sur le numérique et des opérations arithmétiques. Nous évaluons le système sur des ensembles de données neuromorphiques en utilisant une résolution temporelle fixe de 1 ms afin de refléter les contraintes matérielles en temps réel. Les résultats expérimentaux démontrent que le cadre SPC peut identifier efficacement des stimuli à partir de flux d'événements transitoires, assurant un apprentissage embarqué stable. Notre travail offre une voie pratique vers le déploiement de réseaux à spikes hiérarchiques, évolutifs et à faible consommation énergétique dans des environnements à ressources limitées.