基於神經編碼的量化方式

What is the science 我們遭遇了什麼問題?

要怎麼把現實中的資訊量化成離散的資訊是一個經典的問題；這門學問被應用在錄音、攝影等的地方。同樣的人腦也需要把這些資訊轉換成神經可以讀取的資料：早在2000年代就有科學家陸陸續續提出一些可能用神經編碼類比資訊的方式，像是Rank-order編碼(Rullen and Thorpe 2001)(Masmoudi, Antonini, and Kornprobst 2012)、Time encoding machines(Lazar and Pnevmatikakis 2011)等等。不過要怎麼再把這些神經訊號還原成原本的訊號？我們需要找到一個好的解碼方式來解釋它們才行。

What did they do (method) 這篇論文做了什麼?

今天要介紹的這篇論文(Doutsi et al., n.d.)提出了一個量化的方式叫做Dual-SIM Quantizer (Dual-SIMQ)：一、輸入訊號（比方說一張圖片）并轉換成一連串的動作電位。二、用數動作電位的方式重建出這個訊號。這篇論文的作者們利用這個方式重建一些圖片，並把這些圖片跟其他的傳統量化方法（像是Uniform Scalar Quantizer跟Lloyd Quantizer）進行比較。
基於LIF神經模型，我們可以根據需要調整量化及重建所需的時間T：如果T越長，所需要的時間及資料量會變多，重建的品質也會變好。它們也證明在LIF電阻R無限大的情況下，Dual-SIMQ跟USQ是等效的。

基於Dual-SIMQ的漸進式的圖片重建

What’s the impact (importance) 對我們有何影響?

雖然在量化步長小的情況下，Dual-SIMQ還是沒辦法跟傳統的量化方式競爭，但是它仍然給我們一個新的量化方式：它可以很簡單的利用數數的方式重建訊號，很適合放在仿神經晶片上；它也可以根據重建時間逐漸的增加圖片的品質，而不像傳統方式需要在量化之前就做決定，這讓它適合被利用在影片壓縮上面。


撰文｜葉宸甫


參考資料

Doutsi, Effrosyni, Lionel Fillatre, Marc Antonini, and Panagiotis Tsakalides. n.d. “Dynamic Quantization Using Spike Generation Mechanisms,” 11.

Lazar, Aurel A., and Eftychios A. Pnevmatikakis. 2011. “Video Time Encoding Machines.” IEEE Transactions on Neural Networks 22 (3): 461–73. https://doi.org/10.1109/TNN.2010.2103323.

Masmoudi, Khaled, Marc Antonini, and Pierre Kornprobst. 2012. “Frames for Exact Inversion of the Rank Order Coder.” IEEE Transactions on Neural Networks and Learning Systems 23 (2): 353–59. https://doi.org/10.1109/TNNLS.2011.2179557.

Rullen, Rufin Van, and Simon J. Thorpe. 2001. “Rate Coding Versus Temporal Order Coding: What the Retinal Ganglion Cells Tell the Visual Cortex.” Neural Computation 13 (6): 1255–83. https://doi.org/10.1162/08997660152002852.