KIP-Veröffentlichungen

Auf aktueller neuromorpher Hardware sind kleine LIF-Neuronen-Netzwerke in der Lage, verschiedene Wahrscheinlichkeitsverteilungen zu samplen. Essentiell ist hierzu, dass die einzelnen Neuronen stochastischen Input als Hintergrundrauschen erhalten, das als Poisson Prozess modelliert wird. Momentan kann dieses Rauschen extern erzeugt und auf die Hardware gespielt werden, alternativ kann man auf Lineare Schieberegister zurückgreifen, deren Anzahl allerdings nur kurzzeitig für kleine Netzwerke ausreicht. In dieser Thesis wird der Einfluss untersucht, den das Samplen mit SchieberegisterRauschen hat. Weiterhin werden verschiedene Möglichkeiten getestet, mehrere Schieberegister zu verschalten, um platzsparend dekorreliertes Rauschen zu erhalten. Ein Ansatz basiert auf einer Form von Cox-Prozessen: Poisson Prozessen mit Bernoulli Versuchen als stochastische Rate. Ein zweiter Ansatz verwendet veränderte Gold-Folgen Generatoren, die es mit geringen Einbußen in der Sampling-Qualität ermöglichen, mit nur zwei Generatoren Hintergrundrauschen für kleine Netzwerke von LIF-Neuronen zu generieren.

On state-of-the-art neuromorphic hardware small LIF networks are able to perform Neural Sampling. It is crucial that the single neurons are supplied with stochastic background noise. This is modeled as a set of spike trains originated from a Poisson process. In the current hardware generation, this Poisson noise has to be generated externally. Alternatively, one has to fall back on Linear Feedback Shift Registers (LFSRs), which are able to generate background noise for small network sizes and short times on chip. This thesis aims to investigate the influence sampling with LFSR generated background noise has. Second, several LFSR architectures are investigated, which are able to generate decorrelated spike trains under the constraint of using as few LFSRs as possible. One approach bases on a kind of Cox Processes: Poisson Processes with Bernoulli trials as stochastic rate. A second approach uses modified Gold-Code generators, which are able to generate background noise for a small LIF neuron network with only two registers and a minor loss in sampling quality.