Spiking Neural Networks: A Survey

Abstract

Hensikten med oppgaven er å støtte læring og forskning for fakultetet for informasjonsteknologi og elektroteknikk for universitetet, gjennom forskning om nylige fremskritt i maskinlæring. Oppgaven antar at leseren har noe grunnleggende forståelse om maskinlæring, men det er ikke anntat noe kunnskap innen temaet “Spiking” nevrale nettverk. Målet med oppgaven er å introdusere leseren til kunstige spiking nevrale nettverk ved å ta opp følgende temaer: hva utgjør og skiller et kunstig spiking nevralt nettverk fra andre kunstige nevrale nettverk; hvordan en skal tolke ut-signalet fra spiking nevrale nettverk; hvordan både Supervised og Unsupervised læringsmetoder kan bli implementert i spiking nevrale nettverk; noen av de spesifikke fordelene og ulempene assosiert med spiking nevrale nettverk, i forhold til andre kunstige nevrale nettverk. Ved å gå gjennom de følgende temaene prøver oppgaven å svare på spørsmålet om hvorfor spiking nevrale nettverk ikke har blitt tatt i bruk i større grad, på tross at spiking nevrale nettverk kraftigere for komputasjon og mer biologisk plausibel enn andre kunstige nevrale nettverk tilgjengelig per idag

The purpose of the survey is to support teaching and research in the department of Computer Science at the university, through fundamental research in recent advances in the machine learning field. The survey assumes the reader have some basic knowledge in machine learning, however, no prior knowledge on the topic of spiking neural networks is assumed. The aim of the survey is to introduce the reader to artificial spiking neural networks by going through the following: what constitutes and distinguish an artificial spiking neural network from other artificial neural networks; how to interpret the output signals of spiking neural networks; How supervised and unsupervised learning can be achieved in spiking neural networks; Some benefits of spiking neural networks compared to other artificial neural networks, followed by challenges specifically associated with spiking neural networks. By doing so the survey attempts to answer the question of why spiking neural networks have not been widely implemented, despite being both more computationally powerful and biologically plausible than other artificial neural networks currently available.