KIP-Veröffentlichungen

Bei dem Versuch, eine spezifische Beobachtung im Modellieren zu replizieren, ist es oft eine Herausforderung, die geeignete Parametrisierung für das System zu bestimmen. In dieser Arbeit führten wir Experimente auf der neuromorphen Hardware BrainScaleS-2 durch. Das Ziel dieser Untersuchung bestand darin, geeignete Hardwareparameter zu identifizieren, mit denen eine zuvor gegebene Spannungszeitreihe erfolgreich auf der Hardware emuliert werden kann. Wie zuvor gezeigt wurde, kann der SNPE-Algorithmus mit rauschbehafteten Beobachtungsdaten umgehen. Wir wendeten mehrere Methoden an, um die Dimensionalität unserer beobachteten Daten zu reduzieren. Dabei legten wir einen besonderen Fokus auf Autoencoder. Der vortrainierte Encoder ist darauf konzipiert, die beobachteten Daten in eine niederdimensionale Darstellung zu komprimieren, die dann dem SNPE-Algorithmus übergeben wird. Der Algorithmus hat dann die Aufgabe, die Wahrscheinlichkeitsverteilung der Modellparameter zu approximieren. Die resultierenden Verteilungen wurden anschließend analysiert und verglichen. Die Methodologie wurde zunächst für Simulationen und anschließend für Emulationen auf der Hardware getestet. Die Inferenz wurde für zwei, vier und acht Hardwareparameter durchgeführt. Unsere Ergebnisse zeigten, dass die Inferenz bis zu vier Dimensionen erfolgreich ist, während die Resultate für acht Dimensionen vielversprechend erscheinen, jedoch weiterer Untersuchungen bedürfen.

When attempting to replicate a specific observation in modeling, identifying the appropriate parameterization for the system is often challenging. In this thesis, we conducted experiments on the neuromorphic hardware BrainScaleS-2. The objective of this study was to identify suitable hardware parameters that enable the successful emulation of a given voltage trace on the hardware. Previously, the SNPE algorithm has proven to be suitable for handling noisy observational data. To this end, we employed different data embedding techniques to compress the original observed data, particularly focusing on autoencoders. The pre-trained encoder is designed to transform the observed data into a lower-dimensional representation, which is then fed into the SNPE algorithm. The algorithm is tasked with approximating the posterior distributions of the model parameters, which are subsequently analyzed and compared. The methodology was first tested for simulations and then for emulations on hardware. Inference was performed on two, four, and eight hardware parameters. Results have shown that inference is successful for up to four dimensions, while the outcomes for eight dimensions seem promising but require further investigation.