تا به حال به تبدیل شبکههای عصبی مصنوعی (ANN) به شبکههای عصبی اسپایکی (SNN) فکر کردهاید؟ این روش برای کاهش هزینههای آموزشی بسیار جذاب است، اما یک مشکل بزرگ همیشه در مسیر بوده: «تجمع خطاهای کوچک» که منجر به افت عملکرد در کنترلهای پیوسته میشود.
محققان در مطالعه جدید خود برای حل این مشکل، راهکار جدیدی به نام CRPI (Cross-Step Residual Potential Initialization) معرفی کردهاند. این روشِ سبک و بدون نیاز به گرادیان، با مدیریت پتانسیل غشا در مراحل تصمیمگیری، خطاهای زمانی را خنثی میکند تا شاهد عملکردی پایدارتر در محیطهای کنترلی باشیم. 📈
این موفقیت میتواند مسیر را برای اجرای مدلهای هوش مصنوعیِ بهینه و کممصرف بر روی سختافزارهای نورومورفیک هموارتر کند.
🔗 لینک دسترسی به کد: https://github.com/xuzijie32/ANN2SNN-CRPI
منبع: arXiv Machine Learning