Multi-Task Spiking Neural Network for Simultaneous Vapor Recognition and Concentration Estimation
Notice bibliographique
Résumé
Neural networks have been instrumental in advancing machine olfaction systems, greatly enhancing their ability to process olfactory information. As the drive to integrate sensing and signal processing on chip continues, recent advancements emphasize the need for simple yet efficient pattern recognition systems. Spiking Neural Networks (SNNs) have gained significant attention in the realm of machine olfaction for their high computational efficiency and biological realism, closely mirroring the human olfactory system’s approach to processing odors. Many studies have successfully applied SNN models for vapor classification; however, limited research exists on their use for concentration estimation. This article not only addresses this gap but also introduces a simple three-layer, multi-task shared SNN that simultaneously performs vapor recognition and concentration estimation using carbon black-polymer composite sensor arrays. Multi-task learning using SNNs proves particularly beneficial in this context by utilizing shared computations across tasks to optimize resource usage. Experimental results demonstrate that integrating both tasks into a single network enhances overall computational efficiency and reduces model complexity without sacrificing performance. Remarkably, this proof-of-concept design achieves a 33% reduction in the total number of neurons while performing 48% fewer synaptic operations per forward pass compared to two separate single-task SNNs. Logic synthesis further reveals that the shared approach consumes approximately 37% less power and occupies 37% less silicon area, showcasing the potential of multi-task learning with SNNs to propel artificial olfaction systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».