神经生物学中的时空模式:未来人工智能概述
本文从认知神经科学方面入手,分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点,其中使用了概率模型和时间反向传播算法解决了部分难点,最后在神经元数据集上进行了对比实验.
Oct, 2020
这篇论文总结了神经元模型的优点、缺点和适用性,分析了网络拓扑的特性,并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法,最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结,论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。
Sep, 2023
本文介绍了一种针对 Leaky Integrate and Fire 神经元的高效训练算法,该算法能够训练 SNN 学习复杂的时空模式,并且通过与硬件结合的方式,展示了神经元和突触基于忆阻器的网络实现的原理及优点。
Apr, 2021
本文综述了关于基于脉冲神经元的生物解释性网络的生物背景、理论基础、不同神经元模型、神经回路的连通性、主流神经网络学习机制和网络架构等方面的内容,并希望吸引不同的研究者,推进脑启发式智能和人工智能的发展。
Apr, 2022
本论文探讨了单个神经元作为时间精确和高度复杂的时空模式识别器的中心思想,与当今大多数神经科学家所持的对生物神经元为简单且主要为空间模式识别器的观点相反。它试图证明单个神经元的计算特性对神经元组成的各种脑回路以及大脑中的信息编码有深远的影响。
Sep, 2023
通过改变丰富的时间参数,如时间常数和延迟,我们展示了网络在处理具有时间结构的任务时更加轻松和稳健的能力,并且在处理输入和权重中的噪声时,调整时间参数的优势将在神经形态学硬件设计中发挥作用。
Apr, 2024
本文提出利用短期可塑性为脉冲神经网络提供与非脉冲神经网络不同的计算优势,并使用节约的局部突触可塑性模拟温度相关技术来解决网络计算困难性问题。这些网络在处理生成任务时表现出出色性能,在任务不平衡的情况下,它们甚至可以胜过传统算法。
Sep, 2017
本研究发现通过距离依赖性连接概率,可以克服兴奋性和抑制性尖峰神经元随机连接网络在进行计算时的不可靠性。在此基础上建立的空间扩展尖峰神经元网络可以展现出对称性破缺分岔现象,并能生成可进行动力学计算的时空模式。
Nov, 2016
本研究比较了三种简单的脉冲神经元模型 (简洁型、二次型和指数型),利用 Spike-Timing Dependent Plasticity (STDP) 在 N-MNIST 和 DVS Gestures 数据集上测试它们的分类表现,结果显示在数据具备更多的时空特征时,二次型和指数型的神经元模型表现更好,说明根据数据的特征谨慎选择神经元模型,能够提高整个系统的性能。
Jun, 2022
生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统,同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型,通过空间上的仿射高斯核和时间上的漏积分器和漏积分发放模型。我们的理论在空间和时间尺度变换上可证明是协变的,并与哺乳动物大脑的视觉处理有很多相似之处。我们将这些时空感受野作为事件驱动视觉任务中的先验知识,并展示这能够提高脉冲网络的训练效果,在事件驱动视觉中通常被认为是有问题的。本研究结合了尺度空间理论和计算神经科学的努力,寻找在神经形态系统中处理时空信号的理论基础,这对信号处理和事件驱动视觉具有直接的相关性,并且可以扩展到其他空间和时间处理任务,如记忆和控制。
May, 2024