В нескольких областях применения электронные обонятельные системы с традиционными методами обработки данных требуют значительных затрат энергии и вычислительных ресурсов, а также испытывают такие ограничения, как большая задержка и низкая точность классификации. Недавние разработки на основе спайкового нейроморфного подхода позволили создать решения для высокоточной классификации многомерных данных с минимальными требованиями к мощности и вычислениям. Несмотря на то, что эти методы решают вопросы эффективной обработки данных и точности классификации, другие аспекты, такие как снижение задержки обработки для поддержки приложений в реальном времени и внедрение спайковых решений на аппаратуре, еще недостаточно изучены.
В данном исследовании предложен классификатор на основе спайковой нейронной сети (SNN), реализованный в среде разработки с эмуляцией чипа, который может быть легко развернут на нейроморфной системе-на-чипе (NSoC). В трех различных сценариях с возрастанием сложности SNN продемонстрировала способность классифицировать реальные датчиковые данные с точностью более 90% и максимальной задержкой 3 секунды на программной платформе. Основные достижения работы включают: разработку и реализацию нового кодировщика для искусственных обонятельных систем, внедрение обучения с использованием несупервизированной пластичности, зависящей от времени спайков (STDP), а также исследование ранней классификации с помощью SNN-классификатора.*
В данном исследовании предложен классификатор на основе спайковой нейронной сети (SNN), реализованный в среде разработки с эмуляцией чипа, который может быть легко развернут на нейроморфной системе-на-чипе (NSoC). В трех различных сценариях с возрастанием сложности SNN продемонстрировала способность классифицировать реальные датчиковые данные с точностью более 90% и максимальной задержкой 3 секунды на программной платформе. Основные достижения работы включают: разработку и реализацию нового кодировщика для искусственных обонятельных систем, внедрение обучения с использованием несупервизированной пластичности, зависящей от времени спайков (STDP), а также исследование ранней классификации с помощью SNN-классификатора.*
*Перевод выполнен с помощью нейросетей
A Hardware-Deployable Neuromorphic Solution for Encoding and Classification of Electronic Nose Data
In several application domains, electronic nose systems employing conventional data processing approaches incur substantial power and computational costs and limitations, such as significant latency and poor accuracy for classification. Recent developments in spike-based bio-inspired approaches have delivered solutions for the highly accurate classification of multivariate sensor data with minimized computational and power requirements. Although these methods have addressed issues related to efficient data processing and classification accuracy, other areas, such as reducing the processing latency to support real-time application and deploying spike-based solutions on supported hardware, have yet to be studied in detail. Through this investigation, we proposed a spiking neural network (SNN)-based classifier, implemented in a chip-emulation-based development environment, that can be seamlessly deployed on a neuromorphic system-on-a-chip (NSoC). Under three different scenarios of increasing complexity, the SNN was determined to be able to classify real-valued sensor data with greater than 90% accuracy and with a maximum latency of 3 s on the software-based platform. Highlights of this work included the design and implementation of a novel encoder for artificial olfactory systems, implementation of unsupervised spike-timing-dependent plasticity (STDP) for learning, and a foundational study on early classification capability using the SNN-based classifier.