論文の概要: Do we know the operating principles of our computers better than those
of our brain?
- arxiv url: http://arxiv.org/abs/2005.05061v1
- Date: Wed, 6 May 2020 20:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 05:43:04.532808
- Title: Do we know the operating principles of our computers better than those
of our brain?
- Title（参考訳）: コンピューターの動作原理は、脳の動作原理よりもよく知っているだろうか?
- Authors: J\'anos V\'egh and \'Ad\'am J. Berki
- Abstract要約: 本稿は, 従来の原理, 構成要素, コンピューティングに対する考え方が, 生体系を模倣する制限をいかに限定するかを論じる。
我々は、生物学的ニューラルネットワークの驚くほど効率的な操作に近づくために、コンピューティングパラダイムにおいてどのような変化が必要なのかを説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing interest in understanding the behavior of the biological
neural networks, and the increasing utilization of artificial neural networks
in different fields and scales, both require a thorough understanding of how
neuromorphic computing works. On the one side, the need to program those
artificial neuron-like elements, and, on the other side, the necessity for a
large number of such elements to cooperate, communicate and compute during
tasks, need to be scrutinized to determine how efficiently conventional
computing can assist in implementing such systems. Some electronic components
bear a surprising resemblance to some biological structures. However, combining
them with components that work using different principles can result in systems
with very poor efficacy. The paper discusses how the conventional principles,
components and thinking about computing limit mimicking the biological systems.
We describe what changes will be necessary in the computing paradigms to get
closer to the marvelously efficient operation of biological neural networks.
- Abstract（参考訳）: 生物学的ニューラルネットワークの振る舞いを理解することへの関心の高まりと、異なる分野やスケールでのニューラルネットワークの利用の増加は、どちらもニューロモルフィックコンピューティングの仕組みを深く理解する必要がある。
他方では、これらの人工ニューロンのような要素をプログラムする必要があり、他方では、タスク中に協調し、コミュニケーションし、計算する大量の要素が必要であるため、従来の計算がそのようなシステムの実装にどの程度効率的に役立つかを精査する必要がある。
一部の電子部品は、いくつかの生物学的構造に驚くほど似ています。
しかし、異なる原則を使って機能するコンポーネントと組み合わせると、非常に効果の低いシステムになります。
本論文は, 従来の原理, 構成要素, 思考が生物系を模倣する限界にどのように影響するかを論じる。
我々は、生物学的ニューラルネットワークの驚くほど効率的な操作に近づくために、コンピューティングパラダイムにおいてどのような変化が必要なのかを説明する。
関連論文リスト
- Multilevel Interpretability Of Artificial Neural Networks: Leveraging Framework And Methods From Neuroscience [7.180126523609834]
生体と人工のニューラルシステムの両方を解釈するには、これらのシステムを複数のレベルで分析する必要がある、と我々は主張する。
生体および人工神経系の解析に使用できる分析ツールのシリーズを提示する。
全体として、マルチレベル解釈可能性フレームワークは、ニューラルネットワークの複雑さに取り組むための原則化された方法を提供する。
論文 参考訳（メタデータ） (2024-08-22T18:17:20Z) - Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - The brain as a probabilistic transducer: an evolutionarily plausible
network architecture for knowledge representation, computation, and behavior [14.505867475659274]
我々は進化的にも計算的にも可能な、脳と行動に関する一般的な理論的枠組みを提供する。
私たちの抽象モデルの脳は、ノードとエッジのネットワークです。ネットワーク内のノードとエッジには、重みとアクティベーションレベルがあります。
ネットワークの生来の(遺伝的)コンポーネントを指定することで、進化がネットワークに最初の適応ルールと学習を通じて豊かになる目標を与える方法を示す。
論文 参考訳（メタデータ） (2021-12-26T14:37:47Z) - A multi-agent model for growing spiking neural networks [0.0]
このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。
シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。
このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
論文 参考訳（メタデータ） (2020-09-21T15:11:29Z) - On the spatiotemporal behavior in biology-mimicking computing systems [0.0]
シングルプロセッサからスーパーコンピュータまで、従来のコンピュータシステムのペイロード性能は、その性質の限界に達した。
ビッグデータ(人工知能をベースとする、あるいは支援する)に対処する需要が高まっていることと、私たちの脳の操作をより完全に理解することへの関心の両方が、生物学を模倣するコンピューティングシステムを構築する努力を刺激した。
これらのシステムは異常な数のプロセッサを必要とし、性能制限と非線形スケーリングをもたらす。
論文 参考訳（メタデータ） (2020-09-18T13:53:58Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。