KIP-Veröffentlichungen

Die vorliegende Arbeit verwendet ein beschleunigtes, analog-digitales neuromorphes Hardwaresystem um Klassifizierung in Echtzeit mit Hilfe von Liquid State Machines durchzuführen. Ein selbststabilisierendes neuronales Netzwerk realisiert dabei das Liquid, während als angepasstes Tempotron trainierte, analoge und aktionspotentialbasierte Neuronen die Auslese übernehmen. Die ursprüngliche Lernregel wird verändert um konduktanzbasierte Synapsen, diskrete Gewichte und beschränkte Hardwareparameter besser zu berücksichtigen. Darüber hinaus wird in Software untersucht, ob eine Verbesserung der Klassifizierung basierend auf einer besseren Gewichtsverteilung der Synapsen zu erreichen ist. Um die Rechenleistung des Liquid-Tempotron Aufbaus zu testen wird eine spezielle Aufgabe entwickelt, die das Klassifizierungsvermögen des Tempotrons herausfordert. Es kann gezeigt werden, dass das Liquid das System befähigt über den charakteristischen Geltungsbereich der alleinigen Ausleseeinheit hinaus zu agieren. In einem weiteren Experiment werden handgeschriebene Ziffern aus der MNIST Datenbank unterschieden und somit die  Universalität der Liquid State Machine in einer Anwendung des täglichen Lebens demonstriert.

In the context of this thesis a highly accelerated mixed-signal neuromorphic hardware system has been utilized to perform real-time classification with Liquid State Machines. A self-stabilizing neural architecture implements the liquid, while the readout is realized by a modified Tempotron. To this end, the analog spiking neurons are trained to behave like a Tempotron. The original learning rule is modified to account for conductance-based synapses, discrete weights and limited hardware parameter ranges. Moreover, a software study analyzes potential classification improvements achievable for better synaptic input distributions. To test the computational power of the combined liquid-Tempotron setup, a particular task is devised which challenges the abilities of a Tempotron classifier. It is shown that the liquid enables the system to perform beyond the characteristic scope of the readout alone. In a further experiment, handwritten digits from the MNIST database are discriminated, thus showing the generality of the hardware Liquid State Machine in a real world application.