spikingjelly: 大規模スパイキングニューラルネットワークの学習と推論のための PyTorch ネイティブフレームワーク

解決する課題

SpikingJelly は、スパイキングニューラルネットワーク（SNN）の開発、学習、デプロイを簡素化することを目的とした PyTorch ネイティブフレームワークです。スパイキングニューロン特有の時間的ダイナミクス（従来の人工ニューラルネットワーク（ANN）とは異なる）を扱うためのインフラを提供しつつ、PyTorch エコシステムとの互換性を保ちます。

仕組み

このフレームワークはスパイキングニューロンモデル（例: LIFNode）とサロゲート勾配を統合し、標準的な勾配ベースの最適化で SNN を学習できるようにします。torch、cupy、triton の複数のアクセラレーションバックエンドをサポートし、ニューロンカーネルの実行を最適化します。従来の AI から移行するユーザー向けに、既存の人工ニューラルネットワークをスパイキング版に変換する ANN2SNN ツールも提供しています。

対象ユーザー

ニューロモルフィックコンピューティング、スパイクベースインテリジェンス、エネルギー効率の高い AI に取り組む研究者・開発者、そしてイベントベースデータセットを機械学習ワークフローに組み込みたい方を対象としています。

ハイライト

• PyTorch ネイティブ API: 親しみやすい PyTorch nn.Sequential とモジュールパターンで SNN を定義できます。
• 高性能バックエンド: cupy と triton をサポートし、ニューロン実行を高速化します。
• ニューロモルフィックデータサポート: ASL-DVS、N-MNIST など、多種多様なイベントベースデータセットへの組み込みアクセスが可能です。
• デプロイ準備完了: NIR、Lava、Lynxi を介したニューロモルフィックハードウェアへのモデルエクスポートインターフェースを提供します。
• スケーリングツール: メモリ効率の高い学習（memopt）やマルチ GPU ワークロード向けの分散実行を含みます。