뉴로모픽 구조 기반 IoT 통합 개발환경에서 SNN 모델을 지원하기 위한 인코더/디코더 구현
Implementation of Encoder/Decoder to Support SNN Model in an IoT Integrated Development Environment based on Neuromorphic Architecture
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
뉴로모픽 기술은 인간의 뇌 구조와 연산과정을 하드웨어로 모방하는 기술로 기존 인공지능 기술의 단점을보완하기 위하여 제안되었다. 뉴로모픽 하드웨어 기반의 IoT 응용을 개발하기 위해 NA-IDE가 제안되었으며, NA-IDE에서 SNN 모델을 구현하기 위하여 일반적으로 많이 사용되는 입력 데이터를 SNN모델에 사용할 수있도록 변환이 필요하다. 본 논문에서는 이미지 데이터를 SNN 입력으로 사용하기 위하여 스파이크 시계열패턴으로 변환하는 신경코딩 방식의 인코더 컴포넌트를 구현하였다. 디코더 컴포넌트는 SNN 모델이 스파이크 시계열 패턴을 생성하는 경우, 출력된 시계열 데이터를 다시 이미지 데이터로 변환하도록 구현하였다. 디코더 컴포넌트는 출력 데이터에 인코딩 과정과 동일한 매개변수를 사용한 경우, 원본 데이터와 유사한 정적데이터를 얻을 수 있었다. 제안된 인코더와 디코더를 사용한다면 image-to-image나 speech-to-speech와 같이입력 데이터를 변환하여 재생성하는 분야에 사용할 수 있을 것이다.
Abstract
Neuromorphic technology is proposed to complement the shortcomings of existing artificial intelligence technology by mimicking the human brain structure and computational process with hardware. NA-IDE has also been proposed for developing neuromorphic hardware-based IoT applications. To implement an SNN model in NA-IDE, commonly used input data must be transformed for use in the SNN model. In this paper, we implemented a neural coding method encoder component that converts image data into a spike train signal and uses it as an SNN input. The decoder component is implemented to convert the output back to image data when the SNN model generates a spike train signal. If the decoder component uses the same parameters as the encoding process, it can generate static data similar to the original data. It can be used in fields such as image-to-image and speech-to-speech to transform and regenerate input data using the proposed encoder and decoder.
참고문헌 (19)
- Indiveri, "Neuromorphic silicon neuron circuits", Frontiers in Neuroscience, 5(73) (2011)[DOI]
- Mike Davies, "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning", IEEE Micro, 38(1), pp.82~99 (2018), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
- 최신현, "“뇌과학과 뉴로모픽 기술동향”, 뉴로모픽 기술과 연구동향 2", 전기의 세계, 68(10), pp.28~31 (2019), 대한전기학회
- Y. S. Yun, "Development of Neuromorphic Architecture Integrated Development Environments", International Conference on Green and Human Information Technology (ICGHIT), pp.47~49 (2020)
- 이성화, "다양한 스파이크 기반 신경망 시뮬레이션을 위한 디지털 회로 구조", 석사, pp.2019
- Michael A. Arbib, "Brains, machines and buildings: towards a neuromorphic architecture", Intelligent Buildings International, 4(3), pp.147~168 (2012), Informa UK Limited[DOI]
- Stefan Schliebs, "Evolving spiking neural network—a survey", Evolving Systems, 4(2), pp.87~98 (2013), Springer Science and Business Media LLC[DOI]
- "Spiking Neural Networks, the Next Generation of Machine Learning" (2018)[URL]
- Zador, Anthony, "Spikes: Exploring the neural code", Science, 277(5327), pp.772~773 (1997)
- Ponulak F, "Introduction to spiking neural networks: Information processing, learning and applications", Acta Neurobiologiae Experimentalis, 71(4), pp.409~433 (2011)
- 김용주, "Spiking Neural Networks(SNN) 구조에서 뉴런의 개수와 학습량에 따른 학습 성능 변화 분석", 문화기술의 융합, 6(3), pp.463~468 (2020), 국제문화기술진흥원
- SAMANWOY GHOSH-DASTIDAR, "SPIKING NEURAL NETWORKS", International Journal of Neural Systems, 19(04), pp.295~308 (2011), World Scientific Pub Co Pte Ltd[DOI]
- E. D. Adrian, "The impulses produced by sensory nerve-endings", The Journal of Physiology, 61(2), pp.151~171 (1926), Wiley[DOI]
- Gerstner, W., "Spiking neuron models : single neurons, populations, plasticity" (2002), Cambridge University Press
- Alexander Borst, "Information theory and neural coding", Nature Neuroscience, 2(11), pp.947~957 (1999), Springer Science and Business Media LLC[DOI]
- Wenzhe Guo, "Neural Coding in Spiking Neural Networks: A Comparative Study for Robust Neuromorphic Systems", Frontiers in Neuroscience, 15 (2021), Frontiers Media SA[DOI]
- Stein RB, "Neuronal variability: noise or part of the signal?", Nat. Rev. Neurosci., 6(5), pp.389~397[DOI]
- Bruno B. Averbeck, "Neural correlations, population coding and computation", Nature Reviews Neuroscience, 7(5), pp.358~366 (2006), Springer Science and Business Media LLC[DOI]
- Pan, Zihan, "Neural Population Coding for Effective Temporal Classification", 2019 International Joint Conference on Neural Networks (IJCNN), pp.1~8 (2019)