論文の概要: Protein Structured Reservoir computing for Spike-based Pattern Recognition

• arxiv url: http://arxiv.org/abs/2008.03330v2
• Date: Mon, 29 Mar 2021 08:09:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 00:52:29.909952
• Title: Protein Structured Reservoir computing for Spike-based Pattern Recognition
• Title（参考訳）: スパイク型パターン認識のためのタンパク質構造貯留層計算
• Authors: Karolos-Alexandros Tsakalos, Georgios Ch. Sirakoulis, Andrew Adamatzky, Jim Smith
• Abstract要約: 単一タンパク質分子上での貯水池計算を実装し, 小世界のネットワーク特性とニューロモルフィック接続を導入する。 分子構造型貯留層計算システムが機械学習ベンチマークに対処できるかどうかを調査するために, 教師付き方式で, 単層読み出し層に様々なトレーニング手法を適用した。 RCネットワークは、MNISTデータセットから手書きの桁画像に対する概念実証として評価され、他の類似したアプローチと比較して許容される分類精度を示す。
• 参考スコア（独自算出の注目度）: 0.37798600249187286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays we witness a miniaturisation trend in the semiconductor industry backed up by groundbreaking discoveries and designs in nanoscale characterisation and fabrication. To facilitate the trend and produce ever smaller, faster and cheaper computing devices, the size of nanoelectronic devices is now reaching the scale of atoms or molecules - a technical goal undoubtedly demanding for novel devices. Following the trend, we explore an unconventional route of implementing a reservoir computing on a single protein molecule and introduce neuromorphic connectivity with a small-world networking property. We have chosen Izhikevich spiking neurons as elementary processors, corresponding to the atoms of verotoxin protein, and its molecule as a 'hardware' architecture of the communication networks connecting the processors. We apply on a single readout layer various training methods in a supervised fashion to investigate whether the molecular structured Reservoir Computing (RC) system is capable to deal with machine learning benchmarks. We start with the Remote Supervised Method, based on Spike-Timing-Dependent-Plasticity, and carry on with linear regression and scaled conjugate gradient back-propagation training methods. The RC network is evaluated as a proof-of-concept on the handwritten digit images from the MNIST dataset and demonstrates acceptable classification accuracy in comparison with other similar approaches.
• Abstract（参考訳）: 今日では、ナノスケールのキャラクタリゼーションと製造における画期的な発見と設計に支えられた半導体産業の小型化傾向が目撃されている。 この傾向を加速させ、より小さく、より速く、より安価なコンピューティングデバイスを製造するために、ナノエレクトロニクスデバイスのサイズが原子や分子の規模に到達した。 この傾向に従い,単一タンパク質分子上に貯水池コンピューティングを実装し,小世界ネットワーク特性とニューロモルフィックな接続性を導入するという非従来的経路を探索する。 我々は、ベロトキシンタンパク質の原子に対応する基本的なプロセッサとしてIzhikevichスパイクニューロンを選択し、その分子は、プロセッサを接続する通信ネットワークの'ハードウェア'アーキテクチャとして選んだ。 分子構造型貯留層コンピューティング(RC)システムが機械学習ベンチマークに対処できるかどうかを調査するために,教師付き方式で,単一の読み出し層に様々なトレーニング手法を適用した。 まず,スパイク・タイピング依存塑性に基づく遠隔教師あり法から始め,線形回帰法とスケール共役勾配バックプロパゲーション法を実践する。 rcネットワークはmnistデータセットの手書き桁画像に対する概念実証として評価され、他の類似の手法と比較して許容可能な分類精度を示す。

関連論文リスト

• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Exploiting Large Neuroimaging Datasets to Create Connectome-Constrained Approaches for more Robust, Efficient, and Adaptable Artificial Intelligence [4.998666322418252]
  我々は、脳の地図を含む大きなニューロイメージングデータセットを利用するパイプラインを構想する。 我々は,繰り返しるサブサーキットやモチーフの発見手法を開発した。 第3に、チームはフルーツフライコネクトームのメモリ形成の回路を分析し、新しい生成的リプレイアプローチの設計を可能にした。
  論文  参考訳（メタデータ） (2023-05-26T23:04:53Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Spike-based local synaptic plasticity: A survey of computational models and neuromorphic circuits [1.8464222520424338]
  シナプス可塑性のモデル化における歴史的,ボトムアップ的,トップダウン的なアプローチを概観する。 スパイクベース学習ルールの低レイテンシおよび低消費電力ハードウェア実装をサポートする計算プリミティブを同定する。
  論文  参考訳（メタデータ） (2022-09-30T15:35:04Z)
• Scalable Nanophotonic-Electronic Spiking Neural Networks [3.9918594409417576]
  スパイキングニューラルネットワーク(SNN)は、高度に並列化されたリアルタイム処理が可能な新しい計算パラダイムを提供する。 フォトニックデバイスは、SNN計算パラダイムに適合する高帯域並列アーキテクチャの設計に最適である。 CMOSとSiPhの併用技術はスケーラブルなSNNコンピューティングアーキテクチャの設計に適している。
  論文  参考訳（メタデータ） (2022-08-28T06:10:06Z)
• A photonic chip-based machine learning approach for the prediction of molecular properties [11.55177943027656]
  フォトニックチップ技術は、より高速なデータ処理と低エネルギー使用量でニューラルネットワークを実装するための代替プラットフォームを提供する。 分子の量子力学特性の予測におけるフォトニックニューラルネットワークの有用性を実証する。 我々の研究は、分子科学における大規模機械学習応用にフォトニック技術を活用するための道を開く。
  論文  参考訳（メタデータ） (2022-03-03T03:15:14Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• An error-propagation spiking neural network compatible with neuromorphic processors [2.432141667343098]
  本稿では,局所的な重み更新機構を用いたバックプロパゲーションを近似したスパイクに基づく学習手法を提案する。 本稿では,重み更新機構による誤り信号のバックプロパゲートを可能にするネットワークアーキテクチャを提案する。 この研究は、超低消費電力混合信号ニューロモルフィック処理系の設計に向けた第一歩である。
  論文  参考訳（メタデータ） (2021-04-12T07:21:08Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。