論文の概要: Neural Co-Processors for Restoring Brain Function: Results from a
Cortical Model of Grasping
- arxiv url: http://arxiv.org/abs/2210.11478v2
- Date: Mon, 20 Mar 2023 22:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 02:45:17.231663
- Title: Neural Co-Processors for Restoring Brain Function: Results from a
Cortical Model of Grasping
- Title（参考訳）: 脳機能の回復のためのニューラル・コプロセッサ : 把持の皮質モデルによる結果
- Authors: Matthew J. Bryan (1), Linxing Preston Jiang (1), Rajesh P N Rao (1)
((1) Neural Systems Laboratory, Paul G. Allen School of Computer Science &
Engineering, University of Washington)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: A major challenge in designing closed-loop brain-computer
interfaces is finding optimal stimulation patterns as a function of ongoing
neural activity for different subjects and objectives. Approach: To achieve
goal-directed closed-loop neurostimulation, we propose "neural co-processors"
which use artificial neural networks and deep learning to learn optimal
closed-loop stimulation policies, shaping neural activity and bridging injured
neural circuits for targeted repair and rehabilitation. The co-processor adapts
the stimulation policy as the biological circuit itself adapts to the
stimulation, achieving a form of brain-device co-adaptation. Here we use
simulations to lay the groundwork for future in vivo tests of neural
co-processors. We leverage a cortical model of grasping, to which we applied
various forms of simulated lesions, allowing us to develop the critical
learning algorithms and study adaptations to non-stationarity. Main results:
Our simulations show the ability of a neural co-processor to learn a
stimulation policy using a supervised learning approach, and to adapt that
policy as the underlying brain and sensors change. Our co-processor
successfully co-adapted with the simulated brain to accomplish the
reach-and-grasp task after a variety of lesions were applied, achieving
recovery towards healthy function. Significance: Our results provide the first
proof-of-concept demonstration of a co-processor for adaptive
activity-dependent closed-loop neurostimulation, optimizing for a
rehabilitation goal. While a gap remains between simulations and applications,
our results provide insights on how co-processors may be developed for learning
complex adaptive stimulation policies for a variety of neural rehabilitation
and neuroprosthetic applications.
- Abstract（参考訳）: 目的: クローズドループ型脳-コンピューターインタフェースの設計における大きな課題は、異なる対象と目的に対して継続する神経活動の働きとして最適な刺激パターンを見つけることである。
アプローチ:目標指向のクローズドループ神経刺激を達成するために,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政策を学習し,神経活動を形成し,損傷した神経回路を連結して修復・リハビリテーションを行う「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。
ここでは、シミュレーションを用いて、将来のニューラルコプロセッサのin vivoテストの基礎を定めます。
そこで我々は,様々な形態の模擬病変を応用し,重要な学習アルゴリズムを開発し,非定常性への適応を研究することを可能にした。
主な結果: シミュレーションでは, 神経コプロセッサが教師付き学習アプローチで刺激ポリシーを学習し, 基礎となる脳とセンサーが変化するにつれてその方針を適応させる能力を示す。
種々の病変を応用し, 正常な機能回復を実現するため, シミュレーション脳との協調処理に成功した。
意義:本研究では,適応的活動依存クローズドループ神経刺激のためのコプロセッサのコンセプト実証を行い,リハビリテーション目標に最適化した。
シミュレーションと応用の間にはギャップがあるが,神経リハビリテーションや神経補綴学の応用において,複雑な適応的刺激政策を学習するためのコプロセッサの開発方法に関する知見を提供する。
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) - Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Coprocessor Actor Critic: A Model-Based Reinforcement Learning Approach For Adaptive Brain Stimulation [5.734832905595746]
Coprocessor Actor Criticは、脳刺激のためのニューラルコプロセッサポリシーを学ぶための、新しいモデルベース強化学習(MBRL)アプローチである。
提案手法は,従来のMFRL手法の限界を,サンプル効率とタスク成功の観点から克服することを示す。
論文 参考訳（メタデータ） (2024-06-10T18:23:03Z) - 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 to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳（メタデータ） (2023-05-25T11:33:04Z) - 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) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z) - Brain Co-Processors: Using AI to Restore and Augment Brain Function [2.3986080077861787]
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。
論文 参考訳（メタデータ） (2020-12-06T21:06:28Z) - Deep Reinforcement Learning for Neural Control [4.822598110892847]
本稿では,深部強化学習に基づくニューラルサーキットの制御手法を提案する。
ニューラルネットワークとそのコネクトームをグリッドワールドにマッピングし、目的とする動作を達成するために必要なアクションを推論する。
ケモタキシーの制御のために神経ペプチド電流とシナプス構造を推定した。
論文 参考訳（メタデータ） (2020-06-12T17:41:12Z)
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。