Python-Entwicklung für Kodierungs-/Dekodierungs-Methoden in SNNs

Kontext

Spiking Neural Networks (SNNs) sind biologisch inspirierte künstliche neuronale Netze, die Informationen durch diskrete Ereignisse (Spikes) über die Zeit verarbeiten. Die meisten verfügbaren Datensätze bestehen jedoch aus kontinuierlichen (Fließkomma-)Werten und sind daher nicht direkt mit SNNs kompatibel. Um diese Lücke zu schließen, entwickeln wir ein Repository, das gängige Kodierungsverfahren (z. B. Raten- oder Zeitkodierung) zur Umwandlung kontinuierlicher Daten in Spike-Trains sowie Dekodierungsverfahren zur Interpretation der Netzwerk-Ausgaben bereitstellt.

Aufgaben

In dieser Tätigkeit wird ein modulares und gut dokumentiertes Python-Repository entwickelt, das häufig genutzte Methoden zur Kodierung und Dekodierung von Spike-Signalen implementiert. Ziel ist es, eine zentrale Sammlung von Werkzeugen zu schaffen, die zukünftige Projekte mit SNNs unterstützt und eine einfachere Benchmarking- und Deployment-Infrastruktur auf neuromorpher Hardware ermöglicht. Die Aufgaben umfassen:

• Recherche und Implementierung gängiger Kodierungs- und Dekodierungsverfahren für Spikes
• Entwicklung eines modularen und benutzerfreundlichen Python-Repositories
• Validierung der Methoden auf repräsentativen Datensätzen

Voraussetzungen

• Gute Programmierkenntnisse in Python
• Verständnis von künstlichen neuronalen Netzen
• (Optional) Vorerfahrung mit Spiking Neural Networks, neuromorpher Hardware oder verwandten Themen