Oltre le dinamiche passa-basso: reservoir spiking selettivi in frequenza con neuroni risonanti

Abstract degli autori

Il reservoir computing spiking combina l’efficienza di addestramento dei reservoir ricorrenti fissi con l’efficienza energetica dell’inferenza guidata dagli eventi, in cui il calcolo viene attivato da spike sparsi anziché essere eseguito in modo denso a ogni intervallo temporale. Tuttavia, i reservoir spiking esistenti si basano quasi esclusivamente su neuroni Leaky Integrate-and-Fire (LIF), le cui dinamiche passa-basso limitano la capacità di distinguere informazioni codificate a frequenze temporali diverse. Presentiamo HRF-Res, una macchina a stati liquidi in cui i neuroni LIF sono sostituiti da una popolazione eterogenea di neuroni Harmonic Resonate-and-Fire (HRF). Questi neuroni presentano dinamiche oscillatori intrinseche e rispondono selettivamente alle frequenze di input, consentendo al reservoir di catturare pattern temporali specifici per frequenza. Il risultato sono rappresentazioni più discriminative e una maggiore accuratezza di classificazione rispetto ai reservoir basati su LIF, senza sacrificare l’efficienza energetica del calcolo spiking: il consumo energetico è fino a 19 volte inferiore rispetto a quello di un reservoir oscillatorio equivalente non spiking. Valutato su dieci benchmark che comprendono serie temporali, immagini sequenziali, treni di spike audio e visione neuromorfica, HRF-Res raggiunge un’accuratezza allo stato dell’arte tra i metodi di reservoir spiking. Questi risultati dimostrano che introdurre dinamiche selettive in frequenza nei reservoir spiking migliora la qualità delle rappresentazioni e le prestazioni di classificazione, preservandone al contempo l’efficienza energetica intrinseca.