論文の概要: Programming molecular systems to emulate a learning spiking neuron
- arxiv url: http://arxiv.org/abs/2206.02519v1
- Date: Mon, 9 May 2022 09:21:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 00:11:09.171955
- Title: Programming molecular systems to emulate a learning spiking neuron
- Title（参考訳）: 学習スパイクニューロンをエミュレートする分子システム
- Authors: Jakub Fil, Neil Dalchau, Dominique Chu
- Abstract要約: ヘビアン理論は、脳のニューロンが刺激にどのように適応し、学習を可能にするかを説明する。
本稿では, 分子系が, プロト・インテリジェントな振る舞いを示すためにどのように設計できるかを考察する。
任意に多くの入力チャネルにまたがる自律的なヘビアン学習を示す最初の化学反応ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 1.2707050104493216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hebbian theory seeks to explain how the neurons in the brain adapt to
stimuli, to enable learning. An interesting feature of Hebbian learning is that
it is an unsupervised method and as such, does not require feedback, making it
suitable in contexts where systems have to learn autonomously. This paper
explores how molecular systems can be designed to show such proto-intelligent
behaviours, and proposes the first chemical reaction network (CRN) that can
exhibit autonomous Hebbian learning across arbitrarily many input channels. The
system emulates a spiking neuron, and we demonstrate that it can learn
statistical biases of incoming inputs. The basic CRN is a minimal,
thermodynamically plausible set of micro-reversible chemical equations that can
be analysed with respect to their energy requirements. However, to explore how
such chemical systems might be engineered de novo, we also propose an extended
version based on enzyme-driven compartmentalised reactions. Finally, we also
show how a purely DNA system, built upon the paradigm of DNA strand
displacement, can realise neuronal dynamics. Our analysis provides a compelling
blueprint for exploring autonomous learning in biological settings, bringing us
closer to realising real synthetic biological intelligence.
- Abstract（参考訳）: ヘビアン理論は、脳のニューロンが刺激にどのように適応し、学習を可能にするかを説明する。
ヘビー学習の興味深い特徴は、教師なしの方法であり、フィードバックを必要とせず、システムが自律的に学習しなければならない状況に適していることである。
本稿では,このような先駆的知的行動を示す分子システムを設計し,任意の数の入力チャネルにまたがって自律的なヒュービアン学習を示す最初の化学反応ネットワーク (crn) を提案する。
このシステムはスパイキングニューロンをエミュレートし,入力の統計的バイアスを学習できることを実証する。
基本的なCRNは、そのエネルギー要求に対して分析できる最小限の、熱力学的に可塑性なマイクロ可逆性化学方程式である。
しかし,このような化学系がどのように設計されるかを検討するために,酵素による区画化反応に基づく拡張版も提案する。
最後に、DNA鎖の変位のパラダイムに基づいて構築された純粋なDNAシステムが、神経力学を実現する方法を示す。
私たちの分析は、生物環境における自律学習を探求するための説得力のある青写真を提供し、本物の合成生物知能の実現に近づいています。
関連論文リスト
- 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) - Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳（メタデータ） (2023-11-21T13:07:20Z) - 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) - Control of synaptic plasticity via the fusion of reinforcement learning
and unsupervised learning in neural networks [0.0]
認知神経科学では、シナプスの可塑性が我々の驚くべき学習能力に不可欠な役割を担っていると広く受け入れられている。
このインスピレーションにより、強化学習と教師なし学習の融合により、新しい学習規則が提案される。
提案した計算モデルでは,非線形最適制御理論を誤差フィードバックループ系に類似させる。
論文 参考訳（メタデータ） (2023-03-26T12:18:03Z) - Sequence learning in a spiking neuronal network with memristive synapses [0.0]
脳計算の中心にある中核的な概念は、シーケンス学習と予測である。
ニューロモルフィックハードウェアは、脳が情報を処理する方法をエミュレートし、ニューロンとシナプスを直接物理的基質にマッピングする。
シークエンス学習モデルにおける生物学的シナプスの代替としてReRAMデバイスを使用することの可能性について検討する。
論文 参考訳（メタデータ） (2022-11-29T21:07:23Z) - 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) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - A thermodynamically consistent chemical spiking neuron capable of
autonomous Hebbian learning [0.5874142059884521]
我々は、スパイキングニューロンを実装する完全自律的、熱力学的に一貫した化学反応のセットを提案する。
この化学ニューロンはヘビアン方式で入力パターンを学習することができる。
CNの熱力学的に一貫したモデルに加えて、合成生物学の文脈で設計できる生物学的にもっともらしいバージョンも提案する。
論文 参考訳（メタデータ） (2020-09-28T10:43:13Z) - Brain-inspired self-organization with cellular neuromorphic computing
for multimodal unsupervised learning [0.0]
本稿では,自己組織マップとヘビアン様学習を用いた再突入理論に基づく脳刺激型ニューラルシステムを提案する。
システムトポロジがユーザによって固定されるのではなく,自己組織化によって学習されるような,いわゆるハードウェアの可塑性の獲得について述べる。
論文 参考訳（メタデータ） (2020-04-11T21:02:45Z)
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。