論文の概要: Sequence learning in a spiking neuronal network with memristive synapses
- arxiv url: http://arxiv.org/abs/2211.16592v1
- Date: Tue, 29 Nov 2022 21:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 16:47:33.716002
- Title: Sequence learning in a spiking neuronal network with memristive synapses
- Title（参考訳）: 分裂性シナプスを有するスパイキング神経ネットワークにおけるシーケンス学習
- Authors: Younes Bouhadjar, Sebastian Siegel, Tom Tetzlaff, Markus Diesmann,
Rainer Waser, Dirk J. Wouters
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain-inspired computing proposes a set of algorithmic principles that hold
promise for advancing artificial intelligence. They endow systems with self
learning capabilities, efficient energy usage, and high storage capacity. A
core concept that lies at the heart of brain computation is sequence learning
and prediction. This form of computation is essential for almost all our daily
tasks such as movement generation, perception, and language. Understanding how
the brain performs such a computation is not only important to advance
neuroscience but also to pave the way to new technological brain-inspired
applications. A previously developed spiking neural network implementation of
sequence prediction and recall learns complex, high-order sequences in an
unsupervised manner by local, biologically inspired plasticity rules. An
emerging type of hardware that holds promise for efficiently running this type
of algorithm is neuromorphic hardware. It emulates the way the brain processes
information and maps neurons and synapses directly into a physical substrate.
Memristive devices have been identified as potential synaptic elements in
neuromorphic hardware. In particular, redox-induced resistive random access
memories (ReRAM) devices stand out at many aspects. They permit scalability,
are energy efficient and fast, and can implement biological plasticity rules.
In this work, we study the feasibility of using ReRAM devices as a replacement
of the biological synapses in the sequence learning model. We implement and
simulate the model including the ReRAM plasticity using the neural simulator
NEST. We investigate the effect of different device properties on the
performance characteristics of the sequence learning model, and demonstrate
resilience with respect to different on-off ratios, conductance resolutions,
device variability, and synaptic failure.
- Abstract（参考訳）: brain-inspired computingは、人工知能の進歩を約束するアルゴリズムの原則を提案する。
システムは、自己学習能力、効率的なエネルギー使用、高ストレージ能力を持つ。
脳の計算の中心にある核となる概念はシーケンス学習と予測である。
この計算形式は、運動生成、知覚、言語など、私たちの日常的なタスクのほとんどすべてに不可欠である。
このような計算を脳がどのように行うかを理解することは、神経科学の進歩だけでなく、新しい技術である脳に触発された応用への道を開くことも重要である。
以前に開発されたシーケンス予測とリコールのスパイクニューラルネットワーク実装は、局所的、生物学的にインスパイアされた可塑性規則によって教師なしの方法で複雑な高次シーケンスを学習する。
この種のアルゴリズムの効率的な実行を約束する新たなタイプのハードウェアは、ニューロモルフィックハードウェアである。
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。
分裂装置は、ニューロモルフィックハードウェアの潜在的なシナプス要素として同定されている。
特に、レドックス誘発抵抗性ランダムアクセスメモリ(ReRAM)デバイスは、多くの点で際立っている。
スケーラビリティを許容し、エネルギー効率が高く、高速で、生物学的可塑性ルールを実装できる。
本研究では, シーケンシャルラーニングモデルにおける生物学的シナプスの代替として, ReRAM デバイスの利用の可能性を検討する。
ニューラルシミュレータNESTを用いて,ReRAM塑性を含むモデルを実装し,シミュレーションする。
デバイス特性の違いがシーケンス学習モデルの性能特性に及ぼす影響を調査し,オンオフ比,コンダクタンス分解能,デバイス変動性,シナプス障害のレジリエンスを示す。
関連論文リスト
- Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - 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) - A bio-inspired implementation of a sparse-learning spike-based
hippocampus memory model [0.0]
本研究では,海馬に基づくバイオインスパイアされた新しい記憶モデルを提案する。
記憶を覚えたり、キューから思い出したり、同じキューで他の人を学ぼうとする時の記憶を忘れたりできる。
この研究は、完全に機能するバイオインスパイアされたスパイクベースの海馬記憶モデルの最初のハードウェア実装を示す。
論文 参考訳（メタデータ） (2022-06-10T07:48:29Z) - 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) - Memory-enriched computation and learning in spiking neural networks
through Hebbian plasticity [9.453554184019108]
ヘビアン可塑性は生物学的記憶において重要な役割を担っていると考えられている。
本稿では,ヘビーンのシナプス可塑性に富む新しいスパイクニューラルネットワークアーキテクチャを提案する。
ヘビーンの豊かさは、ニューラルネットワークの計算能力と学習能力の点で驚くほど多彩であることを示す。
論文 参考訳（メタデータ） (2022-05-23T12:48:37Z) - 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) - 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)
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。