输入依赖的神经调控增强混合信号神经形态硬件

门控机制通过动态调节有效参数，使固定的神经网络能够根据当前输入调整其计算。在大脑中，神经调质利用这一原理使神经回路在不同动力学状态之间切换；深度学习则利用输入依赖的门控，例如在门控循环网络和自注意力中。近期研究还表明，输入依赖的调制能够改善脉冲神经网络，在参数受限的小型网络中收益尤为显著。这使得神经调质对于边缘端的神经形态处理器尤其具有前景——在边缘端，面积、内存和能量预算限制了网络规模，而电路物理特性又限制了参数精度。在此，我们展示了在混合信号神经形态处理器上对脉冲循环神经网络进行输入依赖的、试次内神经调质。一个片外调制器读取片上网络的输入和活动，并在芯片的模拟电路以硅的物理特性进行计算的同时，调节其群体水平的增益。神经调质使二值语音数字分类准确率提升了 $+17.3 \pm 10.4$ 个百分点，该结果在五个硬件网络实例上进行了测试。

中文由 AI 翻译，仅供参考，以原文为准。