久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network, SNN）被譽(yù)為第三代神經(jīng)網(wǎng)絡(luò)，使用更低層次的生物神經(jīng)系統(tǒng)的抽象，既是神經(jīng)科學(xué)中研究大腦原理的基本工具，又因其稀疏計(jì)算、事件驅(qū)動(dòng)、超低功耗的特性而備受計(jì)算科學(xué)的關(guān)注。隨著深度學(xué)習(xí)方法的引入，SNN的性能得到大幅度提升，脈沖深度學(xué)習(xí)（Spiking Deep Learning）成為新興的研究熱點(diǎn)。傳統(tǒng)SNN框架更多的關(guān)注生物可解釋性，致力于構(gòu)建精細(xì)脈沖神經(jīng)元并仿真真實(shí)生物神經(jīng)系統(tǒng)，并不支持自動(dòng)微分，無法充分利用GPU的大規(guī)模并行計(jì)算能力，也缺乏對神經(jīng)形態(tài)傳感器和計(jì)算芯片的支持。 

　　為了解決上述問題，中國科學(xué)院自動(dòng)化研究所李國齊研究員與北京大學(xué)計(jì)算機(jī)學(xué)院田永鴻教授團(tuán)隊(duì)合作構(gòu)建并開源了脈沖神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)框架SpikingJelly（中文名：驚蜇）。SpikingJelly（驚蜇）提供了全棧式的脈沖深度學(xué)習(xí)解決方案，支持神經(jīng)形態(tài)數(shù)據(jù)處理、深度SNN的構(gòu)建、替代梯度訓(xùn)練、ANN轉(zhuǎn)換SNN、權(quán)重量化和神經(jīng)形態(tài)芯片部署等功能。 

　　SpikingJelly（驚蜇）框架具有以下幾個(gè)方面的主要優(yōu)勢。 

　　第一，簡單易用。脈沖深度學(xué)習(xí)作為計(jì)算神經(jīng)科學(xué)與深度學(xué)習(xí)的交叉學(xué)科，要求研究者同時(shí)掌握兩個(gè)領(lǐng)域的知識(shí)體系，但實(shí)際情況是研究者可能只對一個(gè)領(lǐng)域有深度了解。SpikingJelly（驚蜇）框架提供了簡單易用的PyTorch風(fēng)格的API、中英文雙語編寫的教程、活躍友善的討論社區(qū)，常用的網(wǎng)絡(luò)模型和訓(xùn)練腳本也一并給出，研究者可以快速進(jìn)行跨領(lǐng)域的學(xué)習(xí)和使用，通過寥寥數(shù)行代碼輕松構(gòu)建并訓(xùn)練深度SNN。 

　　第二，擴(kuò)展性強(qiáng)。通過模仿真實(shí)生物神經(jīng)系統(tǒng)或借鑒人工神經(jīng)網(wǎng)絡(luò)的成熟經(jīng)驗(yàn)，改進(jìn)和提出新的SNN算法和模型，這種研究范式已經(jīng)被廣泛使用，成果頗豐。研究者期望能夠自由地定義和擴(kuò)展新模型，僅需少量代碼改動(dòng)就對模型行為產(chǎn)生巨大改變，這一開發(fā)理念與SpikingJelly（驚蜇）的設(shè)計(jì)哲學(xué)不謀而合。SpikingJelly（驚蜇）中的絕大多數(shù)模塊都是通過層次清晰的多重繼承實(shí)現(xiàn)，這既為開發(fā)者降低了開發(fā)成本，也給用戶提供了完美的定義新模型的范例。 

　　第三，性能卓越。深度學(xué)習(xí)涉及大規(guī)模數(shù)據(jù)處理、大尺度模型訓(xùn)練，脈沖深度學(xué)習(xí)亦不例外。而SNN特有的額外的時(shí)間維度，使其具有更高的計(jì)算復(fù)雜度，因而脈沖深度學(xué)習(xí)對計(jì)算資源的需求更高。考慮到ImageNet這樣百萬規(guī)模樣本的數(shù)據(jù)集已經(jīng)在SNN中廣泛使用，研究者愈發(fā)關(guān)注網(wǎng)絡(luò)的訓(xùn)練速度。SpikingJelly（驚蜇）充分利用SNN的特性，通過計(jì)算圖遍歷順序優(yōu)化、JIT （just-in-time compilation, 即時(shí)編譯）、半自動(dòng)CUDA代碼生成等技術(shù)來加速SNN仿真，與其他框架相比可達(dá)11倍的訓(xùn)練加速。第三方獨(dú)立社區(qū)Open Neuromorphic組織對多個(gè)SNN框架進(jìn)行了精細(xì)的速度基準(zhǔn)測試，參與評(píng)測的框架除了SpikingJelly（驚蜇）還包括來自Intel、SynSense時(shí)識(shí)科技、加州大學(xué)圣克魯斯分校、海德堡大學(xué)、瑞典皇家理工學(xué)院等科技公司和學(xué)術(shù)機(jī)構(gòu)的框架，結(jié)果表明SpikingJelly（驚蜇）具有最快的仿真速度，比其他框架快10倍以上。

　　SpikingJelly（驚蜇）框架自2019年冬季一經(jīng)推出就受到了研究者們的歡迎和廣泛使用，基于SpikingJelly（驚蜇）的研究工作已經(jīng)大量出版，將SNN的應(yīng)用從簡單的MNIST數(shù)據(jù)集分類擴(kuò)展到人類水平的ImageNet圖像分類、網(wǎng)絡(luò)部署、事件相機(jī)數(shù)據(jù)處理等實(shí)際應(yīng)用。此外，一些尖端前沿領(lǐng)域的探索也被報(bào)道，包括可校準(zhǔn)的神經(jīng)形態(tài)感知系統(tǒng)、神經(jīng)形態(tài)憶阻器、事件驅(qū)動(dòng)加速器硬件設(shè)計(jì)等。目前有超過95篇公開論文使用SpikingJelly（驚蜇）框架進(jìn)行實(shí)驗(yàn)，其中25篇發(fā)表在CCF-A類人工智能頂級(jí)會(huì)議，5篇發(fā)表在IEEE Transactions，1篇發(fā)表在Nature Communications。以上應(yīng)用和研究表明，SpikingJelly（驚蜇）的開源，極大促進(jìn)了脈沖深度學(xué)習(xí)領(lǐng)域的發(fā)展。 

　　介紹SpikingJelly (驚蜇)框架的論文SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence于2023年10月6號(hào)在Science子刊《科學(xué)進(jìn)展》（Science Advances）在線發(fā)表。北京大學(xué)計(jì)算機(jī)學(xué)院田永鴻教授、中國科學(xué)院自動(dòng)化研究所李國齊研究員為論文共同通訊作者，北京大學(xué)計(jì)算機(jī)學(xué)院直博生方維為論文第一作者。國家自然科學(xué)基金、鵬城云腦網(wǎng)絡(luò)智能重大科技基礎(chǔ)設(shè)施項(xiàng)目、北京市自然科學(xué)基金為此項(xiàng)研究提供了資助。SpikingJelly（驚蜇）框架在2020-2022連續(xù)三年獲得科技部領(lǐng)導(dǎo)的啟智社區(qū)優(yōu)秀開源項(xiàng)目，啟智社區(qū)亦為框架的發(fā)展提供了大力支持。 

圖1. SpikingJelly論文發(fā)表于Science Advances

圖2. SpikingJelly(驚蜇)框架的整體結(jié)構(gòu)、示例代碼、仿真速度、生態(tài)位以及典型應(yīng)用

圖3. SpikingJelly(驚蜇)框架中的典型模塊

圖4：SpikingJelly(驚蜇)框架的典型應(yīng)用

　　論文網(wǎng)址： 

　　https://www.science.org/doi/full/10.1126/sciadv.adi1480 

　　SpikingJelly（驚蜇）框架網(wǎng)址： 

　　GitHub： https://github.com/fangwei123456/spikingjelly 

　　啟智社區(qū)： https://openi.pcl.ac.cn/OpenI/spikingjelly 

來源：中國科學(xué)院自動(dòng)化研究所