BindsNET/bindsnet

Simulation of spiking neural networks (SNNs) using PyTorch.

何を解決するか

BindsNETはPyTorchを使用してスパイキングニューラルネットワーク（SNN）をシミュレートする方法を提供し、生物学的にインスパイアされたニューロンダイナミクスと現代の機械学習の間のギャップを埋めます。研究者が従来の人工ニューロンではなく、生物学的スパイク行動を模倣するニューロンモデルを使用して、機械学習および強化学習のアルゴリズムを開発・テストできるようにします。

動作方法

このライブラリは、生物学的ニューロンダイナミクスを記述する常微分方程式（ODE）を、短く定期的な間隔で解く差分方程式に変換します。PyTorchを基盤としており、torch.Tensorを用いてCPUおよびGPUでの効率的な計算を実現し、既存のPyTorch関数（例：畳み込みやプーリング）を再利用してSNNアーキテクチャを構築します。

対象ユーザー

神経科学および機械学習の研究者や実務家で、生物学的にインスパイアされたアルゴリズム、ニューモルフィックコンピューティング、およびSNNをデータクラスタリング、識別、強化学習などのタスクに応用することに興味がある方々を対象としています。

特徴

  • PyTorch統合: PyTorchのテンソルと関数モジュールを使用し、CPUおよびGPU上で高性能なシミュレーションを実現。
  • 生物学的に妥当な学習: スパイク時依存性可塑性（STDP）や他の重み変更ルールを実装し、シナプス重みを変更可能。
  • 多様な応用: 決定論的学習、教師あり学習、強化学習（Gymnasiumとの統合により、Atari Breakoutなどの環境に対応）をサポート。
  • パフォーマンスのベンチマーク: 複雑なグローバル設定を必要とせずに、利用可能なハードウェアを効率的に活用するよう最適化されています。

関連

  • プロジェクト
    norse/norse

    Norse は PyTorch ベースのライブラリで、スパイキングニューラルネットワークのプリミティブ（LIF、LSNN など）を追加し、イベント駆動モデルの構築・学習・評価を可能にします。pip/conda/Docker でインストールでき、MNIST、CIFAR‑10、cart‑pole といったサンプルタスクが用意されており、PyTorch‑Lightning と統合してスケーラブルな学習が行えます。

  • プロジェクト
    fangwei123456/spikingjelly

    大規模な学習、推論、およびニューロモーフィックハードウェアへのデプロイメントのためのツールを提供する、PyTorchネイティブなスパイキングニューラルネットワーク (SNN) フレームワークです。

  • プロジェクト
    HazyResearch/HipKittens

    HipKittens は、AMD GPU 上で高速な AI カーネル（GEMM、attention など）を記述するためのタイルベースの低レベルプリミティブを提供する C++ ライブラリです。非同期メモリヘルパー、スケジューリングパターン、および AITER や PyTorch とベンチマークできるサンプルカーネルが含まれています。リポジトリには、パフォーマンス結果を再現するための Docker イメージ、単体テスト、トレーニングスクリプト、分析ツールが用意されています。

  • プロジェクト
    ixaxaar/pytorch-dnc

    PyTorchライブラリで、Differentiable Neural Computers (DNC)、Sparse DNC (SDNC)、Sparse Access Memory (SAM) を実装。インストール手順、APIの使い方、デバッグサポート、および例題トレーニングタスク（コピー、加算、argmax）を含む。

  • プロジェクト
    uxlfoundation/oneDNN

    PyTorchやTensorFlowなどのフレームワークを、さまざまなCPUとGPU上で高速化するためのクロスプラットフォーム最適化ディープラーニング演算ライブラリです。