计算机科学 > 神经与进化计算
[提交于 2025年7月11日
]
标题: 神经优化:脉冲方式的进化
标题: NeurOptimisation: The Spiking Way to Evolve
摘要: 人工智能系统日益增长的能源足迹促使人们寻求既高效又可扩展的计算模型。 神经形态计算(NC)通过赋予事件驱动算法以最小的功率需求来操作,从而解决了这一挑战,这些算法通过生物启发的尖峰动力学实现。 我们提出了NeurOptimiser,这是一个完全基于尖峰的优化框架,通过去中心化的NC系统实现了基于神经形态的元启发式范式。 所提出的方法包括一组神经形态启发单元(NHUs),每个单元结合尖峰神经元动力学与尖峰触发扰动启发式方法,以异步方式进化候选解决方案。 NeurOptimiser的协调是通过原生尖峰机制实现的,这些机制支持活动传播、局部信息共享和全局状态更新,而无需外部协调。 我们在英特尔的Lava平台上实现了该框架,目标是Loihi 2芯片,并在无噪声的BBOB套件上进行了评估,最多达到40个维度。 我们使用不同的配置部署了多个NeurOptimisers,主要考虑动态系统,如线性和Izhikevich模型用于尖峰神经动力学,以及固定和差分进化变异规则用于尖峰触发启发式方法。 尽管这些配置是作为概念验证实现的,但我们记录并概述了该框架实现的进一步扩展和改进。 结果表明,所提出的方法表现出结构化的种群动力学、一致的收敛性和毫瓦级的功率可行性。 它们还将原生尖峰MHs定位为实现实时、低能耗和去中心化优化的可行路径。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.