2025年2月2日 · In this study, we emulate the dual representation of corticohippocampal recurrent loops and develop a hybrid neural network, termed CH-HNN, for artificial systems. CH-HNN provides a...

2022年6月14日 · There is a growing trend to design hybrid neural networks (HNNs) by combining spiking neural networks and artificial neural networks to leverage the strengths of both. Here, we propose a framework...

2025年2月16日 · CH-HNN算法通过模拟大脑皮层-海马回路的双重表征机制，利用 人工神经网络 （ANN）提取泛化规律并生成调制信号，指导脉冲神经网络（SNN）学习特定记忆，同时引入元可塑性机制调节学习速率，从而实现高效的持续学习和知识整合。 提出了一种基于皮层-海马回路（corticohippocampal circuits）的混合神经网络（CH-HNN），结合人工神经网络（ANN）和脉冲神经网络（SNN），模拟大脑中特定记忆和泛化记忆的双重表征机制，有效缓解了持续学习中 …

hnn编程框架基于pytorch进行开发，提供了编写ann、snn、hnn模型的编程接口，同时可以支持通过此编程框架描述的ann、snn模型的自动化量化（hnn的自动化量化仍在开发中），可以支持后训练静态量化和量化感知训练。

In this study, we emulate the dual representation of cortico-hippocampal recurrent loops and develop a hybrid neural network, termed CH-HNN, for articial systems. CH-HNN provides a task-fi...

To run it, follow the instructions below. Install miniconda (https://conda.io/en/latest/miniconda.html). For example on linux: From now on, conda installation path will be designated by $CONDA_PATH, by default CONDA_PATH=~/miniconda3/bin. Edit ~/.condarc and add conda-forge as the prefered package source: - conda-forge. - defaults.

2022年6月14日 · 清华大学团队提出了一个HNNs的通用设计和计算框架，通过引入混合单元（Hybrid Units, HUs）作为连接接口。 该框架不仅整合了这些计算范式的关键特征，还将其解耦以提高灵活性和效率。 HUs是可以设计的和可学习的，以促进HNNs中混合信息流的传输和调节。 通过三个案例，我们展示了该框架可以促进混合模型设计。 混合感知网络实现了多路径感知，实现了高跟踪精度和能源效率。...

2024年3月27日 · 该合作团队共同提出的HNN通用设计和计算框架，采用了创新的先解耦后融合的方法，通过引入参数化的混合单元（Hybrid Unit, HU），成功克服了异质神经网络之间的连接难题。 这种融合策略不仅充分结合了各种异构计算范式的独特特征，还通过解耦提升了灵活性和构建效率。 通过梳理多样化的设计维度，可以构建出灵活多样的HNN模型。 这些模型能够充分利用数据和支撑系统的异质性，实现性能和代价的更优平衡。 目前，HNN已在目标跟踪、语音识别、 …

Hypergraph Neural Networks for Hypergraph Matching - xwliao/HNN-HM

2025年2月2日 · Crucially, CH-HNN operates as a task-agnostic system without increasing memory demands, demonstrating adaptability and robustness in real-world applications. Coupled with the low power consumption inherent to SNNs, our model represents the potential for energy-efficient, continual learning in dynamic environments.