Évaluation de la classification d'images basée sur des réseaux de neurones à spikes utilisant le simulateur d'exécution RAVSim

Les réseaux de neurones à spikes (SNN) aident à atteindre une efficacité et une fonctionnalité semblables à celles du cerveau en construisant des neurones et des synapses qui imitent la transmission des signaux électriques du cerveau humain. Cependant, une mise en œuvre optimale des SNN nécessite un équilibre précis des valeurs paramétriques. Pour concevoir de tels réseaux de neurones omniprésents, un outil graphique pour visualiser, analyser et expliquer le comportement interne des spikes est crucial. Bien que certains simulateurs de SNN populaires soient disponibles, ces outils ne permettent pas aux utilisateurs d'interagir avec le réseau de neurones pendant la simulation. À cette fin, nous avons introduit le premier simulateur interactif en temps réel, appelé Runtime Analyzing and Visualization Simulator (RAVSim), développé pour analyser et visualiser dynamiquement le comportement des SNN, permettant aux utilisateurs finaux d'interagir, d'observer les réactions de concentration de sortie et de faire des changements directement pendant la simulation. Dans cet article, nous présentons RAVSim avec l'implémentation actuelle de l'interaction en temps réel utilisant le modèle neuronal LIF avec différents schémas de connectivité, un modèle de classification d'images utilisant des SNN, et une fonctionnalité de création de jeux de données. Notre objectif principal est d'explorer principalement la classification binaire en utilisant des SNN avec des images RVB. Nous avons créé un réseau de feed-forward utilisant le modèle neuronal LIF pour un algorithme de classification d'images et l'avons évalué en utilisant RAVSim. L'algorithme classe les visages avec et sans masques, atteignant une précision de 91,8 % en utilisant 1000 neurones dans une couche cachée, 0,0758 MSE et un temps d'exécution d’environ 10 minutes sur le CPU. Les résultats expérimentaux montrent que l'utilisation de RAVSim augmente non seulement la rapidité de conception du réseau mais accélère également la capacité d'apprentissage de l'utilisateur.