Earticle

초록

한국어

스파이킹 신경망(SNN)은 효율적인 시간 처리와 에너지 소비로 기존 인공 신경망(ANN)의 잠재적인 대안으로 부 상했다. 그러나 심층 SNN을 학습하는 데 어려움이 있어 적용 가능성이 제한된다. 개선된 학습 알고리즘 제공 및 SNN학습을 가능하게 하는 프레임워크 개발에 대한 중요성이 확대되고 있다. 본 논문에서는 기계 학습 응용 프로그 램을 향상시키기 위해 그라디언트 기반 학습을 지원하는 기존 SNN 프레임워크를 활용하여 다양한 실험을 진행한 다. 각 프레임워크를 SNN을 학습한 후, 최종 Top-1 accuracy, time efficiency를 비교 분석한다.

영어

Spiking Neural Networks (SNNs) have emerged as a potential alternative to traditional artificial neural networks (ANNs) because of their temporal processing capabilities and low energy consumption. However, the difficulties in training deep SNNs have limited their applicability. Thus, improving learning algorithms and the frameworks that implement them is one of the primary research focuses in the SNN field. This paper surveys SNN frameworks that specifically support gradientbased learning to enhance machine learning applications. A comparison of the different libraries is described with experimental analysis.

목차

요약
Abstract
1. Introduction
2. Related Works
3. Spiking neuron models
3.1 Main Learning Approaches
3.2 Learning using Backpropagation
4. PyTorch-based Frameworks that integrate Spiking Neural Networks
4.1 Norse
4.2 SpyTorch
4.3 snnTorch
4.4 SpikingJelly
5. Experimental Analysis
6. Conclusions
Acknowledgements
References

저자

• 아셀 캠바이 [ Assel Kembay | AI Robotics, KIST School, Korea University of Science and Technology(UST) ]
• 김수현 [ Suhyun Kim | AI Robotics, KIST School, Korea University of Science and Technology(UST) ] Corresponding Author

참고문헌