海德堡脉冲神经网络系统评估用脉冲数据集

脉冲神经网络是大脑中多功能且能效高效的的信息处理基础。尽管我们目前尚缺乏对这些网络如何实现计算的详细理解，但近期发展起来的优化技术已使我们在计算机中构建日益复杂的功能性脉冲神经网络成为可能。这些方法有望推动更高效非冯·诺依曼计算硬件的开发，并为揭示大脑神经回路功能开辟新的研究视角。为了加速此类方法的发展，建立客观的性能比较机制至关重要。然而，目前尚无被广泛接受的评估脉冲神经网络计算性能的标准手段。为解决这一问题，我们提出了两个基于脉冲的分类数据集，可广泛用于对脉冲神经网络的软件实现与类脑硬件实现进行基准测试。为此，我们开发了一种受神经生理学启发的通用音频到脉冲信号的转换方法，并将其应用于一个现有语音数据集及一个新构建的语音数据集。后者是我们为本研究专门创建的免费、高保真且在词级别对齐的海德堡数字语音数据集（Heidelberg digit dataset）。通过训练多种传统分类器与脉冲神经网络分类器，我们证明了在这些数据集中有效利用脉冲时间信息对于实现高分类准确率至关重要。本研究结果为未来脉冲神经网络性能的比较提供了首个基准参考。