論文の概要: Simulation-based Inference for Model Parameterization on Analog
Neuromorphic Hardware
- arxiv url: http://arxiv.org/abs/2303.16056v1
- Date: Tue, 28 Mar 2023 15:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 14:40:30.094811
- Title: Simulation-based Inference for Model Parameterization on Analog
Neuromorphic Hardware
- Title（参考訳）: アナログニューロモルフィックハードウェアにおけるモデルパラメータ化のためのシミュレーションベース推論
- Authors: Jakob Kaiser, Raphael Stock, Eric M\"uller, Johannes Schemmel,
Sebastian Schmitt
- Abstract要約: 本研究では,BSS-2アナログニューロモルフィックハードウェアシステム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定(SNPE)アルゴリズムの適合性について検討した。
これまでのアプリケーションでは、SNPEアルゴリズムは従来のABC法よりも高い計算効率を示した。
- 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: The BrainScaleS-2 (BSS-2) system implements physical models of neurons as
well as synapses and aims for an energy-efficient and fast emulation of
biological neurons. When replicating neuroscientific experiment results, a
major challenge is finding suitable model parameters. This study investigates
the suitability of the sequential neural posterior estimation (SNPE) algorithm
for parameterizing a multi-compartmental neuron model emulated on the BSS-2
analog neuromorphic hardware system. In contrast to other optimization methods
such as genetic algorithms or stochastic searches, the SNPE algorithms belongs
to the class of approximate Bayesian computing (ABC) methods and estimates the
posterior distribution of the model parameters; access to the posterior allows
classifying the confidence in parameter estimations and unveiling correlation
between model parameters. In previous applications, the SNPE algorithm showed a
higher computational efficiency than traditional ABC methods. For our
multi-compartmental model, we show that the approximated posterior is in
agreement with experimental observations and that the identified correlation
between parameters is in agreement with theoretical expectations. Furthermore,
we show that the algorithm can deal with high-dimensional observations and
parameter spaces. These results suggest that the SNPE algorithm is a promising
approach for automating the parameterization of complex models, especially when
dealing with characteristic properties of analog neuromorphic substrates, such
as trial-to-trial variations or limited parameter ranges.
- Abstract（参考訳）: BrainScaleS-2 (BSS-2) システムは、ニューロンの物理的モデルとシナプスを実装し、エネルギー効率が高く高速な生体ニューロンのエミュレーションを目指している。
神経科学実験結果を複製する場合、適切なモデルパラメータを見つけることが大きな課題である。
本研究では,BSS-2アナログニューロモルフィックハードウェアシステム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定(SNPE)アルゴリズムの適合性について検討した。
遺伝的アルゴリズムや確率探索のような他の最適化手法とは対照的に、snpeアルゴリズムは近似ベイズ計算(abc)のクラスに属し、モデルパラメータの後方分布を推定する。
以前の応用では、snpeアルゴリズムは従来のabc法よりも高い計算効率を示した。
多成分モデルでは, 近似後部は実験結果と一致しており, パラメータ間の相関関係は理論的な期待値と一致していることを示す。
さらに,このアルゴリズムは高次元観測やパラメータ空間を扱うことができることを示す。
これらの結果から,SNPEアルゴリズムは複雑なモデルのパラメータ化を自動化する上で,特に試行錯誤や限られたパラメータ範囲といった類似ニューロモルフィック基板の特性に対処する上で,有望なアプローチであることが示唆された。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Supervised Parameter Estimation of Neuron Populations from Multiple
Firing Events [3.2826301276626273]
本研究では,一対のスパイキング系列とパラメータラベルからなる学習セットから,ニューロン集団のパラメータを自動的に学習する手法について,教師あり学習を通して検討した。
我々は、ニューロンモデルを用いて、異なるパラメータ設定での計算において多くのニューロン集団をシミュレートする。
次に、遺伝的検索、ベイズ逐次推定、ランダムウォーク近似モデルなどの古典的手法と比較する。
論文 参考訳（メタデータ） (2022-10-02T03:17:05Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Combining data assimilation and machine learning to estimate parameters
of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文 参考訳（メタデータ） (2021-09-07T09:17:29Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳（メタデータ） (2020-10-06T11:47:20Z) - Novel and flexible parameter estimation methods for data-consistent
inversion in mechanistic modeling [0.13635858675752988]
本稿では,レジェクションサンプリング,マルコフ連鎖モンテカルロ,GAN(Generative Adversarial Network)に基づく逆問題(SIP)の解法を提案する。
SIPの限界を克服するため、制約付き最適化に基づいてSIPを再構成し、制約付き最適化問題を解決するための新しいGANを提案する。
論文 参考訳（メタデータ） (2020-09-17T13:13:21Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。