論文の概要: Biological connectomes as a representation for the architecture of
artificial neural networks
- arxiv url: http://arxiv.org/abs/2209.14406v1
- Date: Wed, 28 Sep 2022 20:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 15:41:22.314029
- Title: Biological connectomes as a representation for the architecture of
artificial neural networks
- Title（参考訳）: 人工ニューラルネットワークのアーキテクチャ表現としての生物学的コネクトーム
- Authors: Samuel Schmidgall, Catherine Schuman, Maryam Parsa
- Abstract要約: 我々は、C. Elegans線虫の運動回路を、生物物理学的リアリズムの様々なレベルにおいて、人工ニューラルネットワークに変換する。
C. Elegans の移動回路は移動問題に強力な帰納バイアスを与えるが,その構造は移動に関係のないタスクのパフォーマンスを阻害する可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Grand efforts in neuroscience are working toward mapping the connectomes of
many new species, including the near completion of the Drosophila melanogaster.
It is important to ask whether these models could benefit artificial
intelligence. In this work we ask two fundamental questions: (1) where and when
biological connectomes can provide use in machine learning, (2) which design
principles are necessary for extracting a good representation of the
connectome. Toward this end, we translate the motor circuit of the C. Elegans
nematode into artificial neural networks at varying levels of biophysical
realism and evaluate the outcome of training these networks on motor and
non-motor behavioral tasks. We demonstrate that biophysical realism need not be
upheld to attain the advantages of using biological circuits. We also establish
that, even if the exact wiring diagram is not retained, the architectural
statistics provide a valuable prior. Finally, we show that while the C. Elegans
locomotion circuit provides a powerful inductive bias on locomotion problems,
its structure may hinder performance on tasks unrelated to locomotion such as
visual classification problems.
- Abstract（参考訳）: 神経科学における大きな取り組みは、ショウジョウバエのメラノガスターのほぼ完成を含む多くの新種のコネクトームのマッピングに取り組んでいる。
これらのモデルが人工知能に有用かどうかを問うことが重要である。
本研究では,(1)生体コネクトームが機械学習で利用可能である場合,(2)コネクトームの優れた表現を抽出するために,どの設計原理が必要か,という2つの基本的な質問を行う。
そこで我々は,C. Elegans nematode の運動回路を生物物理学的リアリズムの様々なレベルにおいて人工ニューラルネットワークに変換し,これらのネットワークを運動と非運動の行動タスクでトレーニングした結果を評価する。
生体回路の利点を享受するために、生物物理リアリズムを維持できないことを示す。
また、正確な配線図が保持されていなくても、アーキテクチャ上の統計値に価値があることも確認します。
最後に,C. Elegans の移動回路は移動問題に強力な帰納バイアスを与えるが,その構造は視覚的分類問題などの移動に関係のないタスクのパフォーマンスを阻害する可能性があることを示す。
関連論文リスト
- NeuroPath: A Neural Pathway Transformer for Joining the Dots of Human Connectomes [4.362614418491178]
本稿では, FCのユビキタスインスタンスが, SCによって物理的に配線された神経経路(デトゥール)によってどのようにサポートされているかを明らかにするために, トポロジカルデトゥールの概念を導入する。
機械学習のclich'eでは、SC-FCカップリングの基礎となるマルチホップデトゥール経路により、新しいマルチヘッド自己保持機構を考案することができる。
バイオインスパイアされたニューロパス(NeuroPath)と呼ばれる深層モデルを提案し,これまでにない量のニューロイメージから有意な結合性特徴表現を求める。
論文 参考訳（メタデータ） (2024-09-26T03:40:12Z) - 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) - 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) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - 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) - Neural Circuit Architectural Priors for Embodied Control [0.0]
自然界では、動物は進化によって形作られた神経系において、高度に構造化された接続によって生まれます。
本研究では, 生体にインスパイアされたネットワークアーキテクチャが, 運動制御の文脈でどのような利点をもたらすのかを問う。
論文 参考訳（メタデータ） (2022-01-13T23:22:16Z) - A Spiking Neural Network Emulating the Structure of the Oculomotor
System Requires No Learning to Control a Biomimetic Robotic Head [0.0]
バイオミメティック・ロボットヘッドのプロトタイプの心臓にニューロモルフィック・オキュロモータ・コントローラが配置されている。
コントローラは、すべてのデータがスパイクニューラルネットワーク(SNN)によって符号化され、処理されるという意味でユニークなものです。
ロボットの目標追跡能力について報告し、その眼球運動学は人間の眼研究で報告されたものと類似していることを示し、生物学的に制約された学習を用いて、その性能をさらに向上させることができることを示す。
論文 参考訳（メタデータ） (2020-02-18T13:03:06Z)
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。