Reducing the computational footprint for real-time BCPNN learning

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:su-117399" > Reducing the comput...

1 av 1
Föregående post
Nästa post
Till träfflistan

Vogginger, BernhardTechnical University Dresden (författare)

Reducing the computational footprint for real-time BCPNN learning

Artikel/kapitelEngelska2015

Förlag, utgivningsår, omfång ...

2015-01-22
Frontiers Media SA,2015
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:su-117399
https://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-117399URI
https://doi.org/10.3389/fnins.2015.00002DOI
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-165947URI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

AuthorCount:6;
QC 20150506
The implementation of synaptic plasticity in neural simulation or neuromorphic hardware is usually very resource-intensive, often requiring a compromise between efficiency and flexibility. A versatile, but computationally-expensive plasticity mechanism is provided by the Bayesian Confidence Propagation Neural Network (BCPNN) paradigm. Building upon Bayesian statistics, and having clear links to biological plasticity processes, the BCPNN learning rule has been applied in many fields, ranging from data classification, associative memory, reward-based learning, probabilistic inference to cortical attractor memory networks. In the spike-based version of this learning rule the pre-, postsynaptic and coincident activity is traced in three low-pass-filtering stages, requiring a total of eight state variables, whose dynamics are typically simulated with the fixed step size Euler method. We derive analytic solutions allowing an efficient event-driven implementation of this learning rule. Further speedup is achieved by first rewriting the model which reduces the number of basic arithmetic operations per update to one half, and second by using look-up tables for the frequently calculated exponential decay. Ultimately, in a typical use case, the simulation using our approach is more than one order of magnitude faster than with the fixed step size Euler method. Aiming for a small memory footprint per BCPNN synapse, we also evaluate the use of fixed-point numbers for the state variables, and assess the number of bits required to achieve same or better accuracy than with the conventional explicit Euler method. All of this will allow a real-time simulation of a reduced cortex model based on BCPNN in high performance computing. More important, with the analytic solution at hand and due to the reduced memory bandwidth, the learning rule can be efficiently implemented in dedicated or existing digital neuromorphic hardware.

Ämnesord och genrebeteckningar

MEDICIN OCH HÄLSOVETENSKAP Medicinska och farmaceutiska grundvetenskaper Neurovetenskaper hsv//swe
MEDICAL AND HEALTH SCIENCES Basic Medicine Neurosciences hsv//eng
MEDICIN OCH HÄLSOVETENSKAP Klinisk medicin Neurologi hsv//swe
MEDICAL AND HEALTH SCIENCES Clinical Medicine Neurology hsv//eng
NATURVETENSKAP Data- och informationsvetenskap Bioinformatik hsv//swe
NATURAL SCIENCES Computer and Information Sciences Bioinformatics hsv//eng
TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Datorsystem hsv//swe
ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Computer Systems hsv//eng
Bayesian confidence propagation neural network (BCPNN)
Hebbian learning
synaptic plasticity
event-driven simulation
spiking neural networks
look-up tables
fixed-point accuracy
digital neuromorphic hardware
Computer Science

Biuppslag (personer, institutioner, konferenser, titlar ...)

Schueffny, ReneTechnical University Dresden (författare)
Lansner, AndersKTH,Stockholms universitet,Numerisk analys och datalogi (NADA),Royal Institute of Technology (KTH), Sweden,Beräkningsbiologi, CB,Stockholm University, Sweden,Lansner(Swepub:kth)u12s8cr8 (författare)
Cederström, LoveTechnical University Dresden (författare)
Partzsch, JohannesTechnical University Dresden (författare)
Hoeppner, SebastianTechnical University Dresden (författare)
Technical University DresdenNumerisk analys och datalogi (NADA) (creator_code:org_t)

Sammanhörande titlar

Ingår i:Frontiers in Neuroscience: Frontiers Media SA91662-45481662-453X1662-6443

Internetlänk

Hitta via bibliotek

Frontiers in Neuroscience (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Vogginger, Bernh ...; Schueffny, Rene; Lansner, Anders; Cederström, Love; Partzsch, Johann ...; Hoeppner, Sebast ...

Om ämnet

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Medicinska och f ...; och Neurovetenskaper

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Klinisk medicin; och Neurologi

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Bioinformatik

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Elektroteknik oc ...; och Datorsystem

Artiklar i publikationen: Frontiers in Neu ...

Av lärosätet: Stockholms universitet; Kungliga Tekniska Högskolan

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se