論文の概要: Brain Co-Processors: Using AI to Restore and Augment Brain Function
- arxiv url: http://arxiv.org/abs/2012.03378v1
- Date: Sun, 6 Dec 2020 21:06:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:55:08.057325
- Title: Brain Co-Processors: Using AI to Restore and Augment Brain Function
- Title（参考訳）: Brain Co-Processors: AIを使って脳機能の再構築と拡張
- Authors: Rajesh P. N. Rao
- Abstract要約: 人工知能(AI)を用いた統合フレームワークにおいて、デコードとエンコーディングを組み合わせた脳コプロセッサを導入する。
脳のコプロセッサは、脳損傷後のリハビリのためにヘビアン可塑性を誘導することや、麻痺した手足の再アニメーション、記憶の増強など、様々な用途に使用できる。
本稿では,ニューラルネットワーク,ディープラーニング,強化学習に基づく脳コプロセッサ開発のための新しいフレームワークについて述べる。
- 参考スコア（独自算出の注目度）: 2.3986080077861787
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Brain-computer interfaces (BCIs) use decoding algorithms to control
prosthetic devices based on brain signals for restoration of lost function.
Computer-brain interfaces (CBIs), on the other hand, use encoding algorithms to
transform external sensory signals into neural stimulation patterns for
restoring sensation or providing sensory feedback for closed-loop prosthetic
control. In this article, we introduce brain co-processors, devices that
combine decoding and encoding in a unified framework using artificial
intelligence (AI) to supplement or augment brain function. Brain co-processors
can be used for a range of applications, from inducing Hebbian plasticity for
rehabilitation after brain injury to reanimating paralyzed limbs and enhancing
memory. A key challenge is simultaneous multi-channel neural decoding and
encoding for optimization of external behavioral or task-related goals. We
describe a new framework for developing brain co-processors based on artificial
neural networks, deep learning and reinforcement learning. These "neural
co-processors" allow joint optimization of cost functions with the nervous
system to achieve desired behaviors. By coupling artificial neural networks
with their biological counterparts, neural co-processors offer a new way of
restoring and augmenting the brain, as well as a new scientific tool for brain
research. We conclude by discussing the potential applications and ethical
implications of brain co-processors.
- Abstract（参考訳）: 脳-コンピュータインタフェース(BCI)は、失った機能の回復のための脳信号に基づく義肢の制御にデコードアルゴリズムを使用する。
一方、コンピュータ脳インタフェース(CBI)は、符号化アルゴリズムを使用して、感覚の回復や閉ループ補綴制御のための感覚フィードバックを提供するために、外部感覚信号を神経刺激パターンに変換する。
本稿では,人工知能(AI)による脳機能の補完や強化を目的とした,デコードとエンコーディングを組み合わせた脳コプロセッサについて紹介する。
脳のコプロセッサは、脳損傷後のリハビリテーションのためにヘビアン可塑性を誘導することから、麻痺した四肢の再結合や記憶の増強まで、様々な用途に使用できる。
重要な課題は、外的行動やタスク関連の目標を最適化するための、同時マルチチャネルニューラルデコーディングとエンコーディングである。
本稿では,ニューラルネットワーク,ディープラーニング,強化学習に基づく脳コプロセッサ開発のための新しいフレームワークについて述べる。
これらの「ニューラルコプロセッサ」は、神経系とコスト関数の協調最適化を可能にし、望ましい行動を達成する。
ニューラルネットワークを生物学的なものと結合することで、ニューラルコプロセッサは脳の回復と増強の新しい方法と、脳研究のための新しい科学的ツールを提供する。
我々は、脳コプロセッサの潜在的な応用と倫理的意味について論じる。
関連論文リスト
- Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳（メタデータ） (2024-10-25T13:15:17Z) - 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) - 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) - Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding (Survey) [9.14580723964253]
AIモデルを使って脳についての洞察を得ることができるか?
脳記録に関する深層学習モデルの情報はどのようになっているか?
復号化モデルは、fMRIが与えられた刺激を再構成する逆問題を解決する。
近年,自然言語処理,コンピュータビジョン,音声に対するディープラーニングモデルの有効性に触発されて,ニューラルコーディングや復号化モデルが提案されている。
論文 参考訳（メタデータ） (2023-07-17T06:54:36Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - Neural Co-Processors for Restoring Brain Function: Results from a
Cortical Model of Grasping [0.0]
ニューラルネットワークとディープラーニングを用いて最適なクローズドループ刺激ポリシーを学習する「ニューラルコプロセッサ」を提案する。
コプロセッサは、生体回路自体が刺激に適応するにつれて刺激ポリシーに適応し、脳-デバイス共適応の一形態を達成する。
論文 参考訳（メタデータ） (2022-10-19T04:13:33Z) - In the realm of hybrid Brain: Human Brain and AI [0.0]
現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。
近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。
クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
論文 参考訳（メタデータ） (2022-10-04T08:35:34Z) - BrainCog: A Spiking Neural Network based Brain-inspired Cognitive
Intelligence Engine for Brain-inspired AI and Brain Simulation [16.83583563493804]
スパイキングニューラルネットワーク(SNN)は、脳にインスパイアされた人工知能と計算神経科学に広く注目を集めている。
脳にインスパイアされたAIと脳シミュレーションモデルを作成するために、脳にインスパイアされた認知知エンジン(BrainCog)を提案する。
論文 参考訳（メタデータ） (2022-07-18T11:53:31Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳（メタデータ） (2022-05-25T20:16:05Z) - A Robust Learning Rule for Soft-Bounded Memristive Synapses Competitive
with Supervised Learning in Standard Spiking Neural Networks [0.0]
理論神経科学における見解は、脳を機能計算装置と見なしている。
関数を近似できることは、将来の脳研究のための基礎となる公理である。
本研究では,非自明な多次元関数の学習に,ニオブをドープしたチタン酸ストロンチウムの旋律的シナプスを制御した新しい教師付き学習アルゴリズムを適用する。
論文 参考訳（メタデータ） (2022-04-12T10:21:22Z) - Neurocoder: Learning General-Purpose Computation Using Stored Neural
Programs [64.56890245622822]
ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。
共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。
モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
論文 参考訳（メタデータ） (2020-09-24T01:39:16Z)
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。