使用强化学习规则进行自学习的超导神经形态电路

Apr, 2024

使用强化学习规则进行自学习的超导神经形态电路

Self-training superconducting neuromorphic circuits using reinforcement learning rules

M. L. Schneider, E. M. Jué, M. R. Pufall, K. Segall, C. W. Anderson

TL;DR使用超导硬件实现了一套基于强化学习的局部权重更新规则，并通过 SPICE 电路模拟实现了一个小规模神经网络，学习时间约为一纳秒。这个实现中，权重根据整体网络响应的当前状态和先前动作的本地存储信息进行调整，无需外部调整。

Abstract

reinforcement learning algorithms are used in a wide range of applications, from gaming and robotics to autonomous vehicles. In this paper we describe a set of reinforcement learning-based →

reinforcement learning local weight update rules superconducting hardware neural network circuit simulations

发现论文，激发创造

使用脉冲神经网络演化学习强化学习任务

本研究基于大自然神经系统的启发，应用突触可塑性规则训练带有局部信息的脉冲神经网络，使其适用于神经形态硬件的在线学习。其目的在于通过应用进化算法，使得各种不同任务的学习过程变得更加简单，通过提供一组各种局部信号、数学算子和全局奖励信号来找到最佳学习规则，我们发现通过这种方法可以成功解决 XOR 和车杆任务，并发现新的学习规则优于文献中的基准规则。

Feb, 2022

超导量子电路中的量子强化学习基础协议

通过使用超导电路实现基本的量子强化学习协议，为超导电路实现的量子人工智能和量子计算协议铺平了道路。

Jan, 2017

基于神经网络的量子反馈强化学习

本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力，并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用，还显示了神经网络强化学习在物理学领域的潜力。

Feb, 2018

本地可塑性规则可使用自监督对比预测学习深度表征

这篇论文提出了一种受到神经科学和自监督深度学习最新进展启发的学习规则，使用局部，赫布规则进行权重更新，并具有深度分层的图像、语音和视频表示。

Oct, 2020

使用脑启发的调制强化学习可以提高对环境变化的适应能力

研究提出了一种新的神经元学习规则，它使用突触前输入来调制预测误差，将其嵌入表格和深度 Q 网络强化学习算法中，可以在简单而高动态的任务中胜过传统算法，这提出了一种新的生物智能核心原则。