NeuroMorse: A Temporally Structured Dataset For Neuromorphic Computing
作者: Ben Walters, Yeshwanth Bethi, Taylor Kergan, Binh Nguyen, Amirali Amirsoleimani, Jason K. Eshraghian, Saeed Afshar, Mostafa Rahimi Azghadi
发布时间: 2025-03-03
来源: arxiv
研究方向: 神经形态计算
主要内容
本文提出了一种名为NeuroMorse的时序结构化数据集，用于评估神经形态学习系统。该数据集将英语中常用的50个单词转换为时序莫尔斯电码脉冲序列，通过两个输入脉冲通道（点与划）来编码复杂信息。NeuroMorse旨在测试神经形态算法分解输入模式到空间和时序层次结构的能力。
主要贡献
1. 提出了NeuroMorse数据集，该数据集优先考虑时序数据表示，有助于评估神经形态学习系统。
2. 通过将单词转换为时序莫尔斯电码脉冲序列，将时序动态信息编码到数据中。
3. 引入了噪声版本的数据集，以增加数据集的挑战性。
4. 通过实验表明，当前神经形态架构在学习和识别时序层次结构方面存在局限性。
研究方法
1. 将单词转换为时序莫尔斯电码脉冲序列。
2. 使用线性分类器进行初步测试。
3. 构建基于STDP的全连接网络来检测测试集中的脉冲序列。
4. 使用监督学习技术训练深层网络以评估训练和测试集。
5. 引入噪声以增加数据集的复杂性。
实验结果
实验结果表明，使用线性分类器对训练集进行分类的准确率仅为4%，基本STDP网络在测试集中识别关键词的准确率为0.19%，而监督学习技术训练的深层网络在过滤后的测试集中识别关键词的准确率为12.46%。这些结果表明，当前神经形态架构在处理复杂时序数据方面存在局限性。
未来工作
鼓励神经形态社区利用NeuroMorse数据集与其他基准测试一起，探索模型在时序序列识别和层次特征提取等任务中的潜力。