論文の概要: A Bio-Inspired Chaos Sensor Based on the Perceptron Neural Network:
Concept and Application for Computational Neuro-science
- arxiv url: http://arxiv.org/abs/2306.01991v1
- Date: Sat, 3 Jun 2023 03:36:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 20:53:15.673833
- Title: A Bio-Inspired Chaos Sensor Based on the Perceptron Neural Network:
Concept and Application for Computational Neuro-science
- Title(参考訳): パーセプトロンニューラルネットワークに基づくバイオインスパイアされたカオスセンサ : 計算神経科学における概念と応用
- Authors: Andrei Velichko, Petr Boriskov, Maksim Belyaev and Vadim Putrolaynen
- Abstract要約: この研究は、知覚神経ネットワークに基づくバイオインスパイアされたカオスセンサーを提示する。
モデルは、高精度に短い時系列のファジィエントロピーを近似する。
この研究は、計算神経科学の分野の専門家にとって役立つだろう。
- 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 study presents a bio-inspired chaos sensor based on the perceptron neural
network. After training, the sensor on perceptron, having 50 neurons in the
hidden layer and 1 neuron at the output, approximates the fuzzy entropy of
short time series with high accuracy with a determination coefficient R2 ~ 0.9.
The Hindmarsh-Rose spike model was used to generate time series of spike
intervals, and datasets for training and testing the perceptron. The selection
of the hyperparameters of the perceptron model and the estimation of the sensor
accuracy were performed using the K-block cross-validation method. Even for a
hidden layer with 1 neuron, the model approximates the fuzzy entropy with good
results and the metric R2 ~ 0.5-0.8. In a simplified model with 1 neuron and
equal weights in the first layer, the principle of approximation is based on
the linear transformation of the average value of the time series into the
entropy value. The bio-inspired chaos sensor model based on an ensemble of
neurons is able to dynamically track the chaotic behavior of a spiked biosystem
and transmit this information to other parts of the bio-system for further
processing. The study will be useful for specialists in the field of
computational neuroscience.
- Abstract(参考訳): 本研究では,知覚神経ネットワークに基づくバイオインスパイアされたカオスセンサを提案する。
トレーニング後、隠れた層に50個のニューロン、出力に1個のニューロンを有するパーセプトロン上のセンサーは、決定係数R2〜0.9で高精度に短い時系列のファジィエントロピーを近似する。
Hindmarsh-Roseスパイクモデルは、一連のスパイク間隔と、パーセプトロンのトレーニングとテストのためのデータセットを生成するために使用された。
Kブロッククロスバリデーション法を用いて, パーセプトロンモデルのハイパーパラメータの選択とセンサ精度の推定を行った。
1つのニューロンを持つ隠れた層であっても、モデルは良い結果と計量 r2 ~ 0.5-0.8 でファジィエントロピーを近似する。
第一層における1つのニューロンと等しい重みを持つ単純化されたモデルでは、近似の原理は時系列の平均値からエントロピー値への線形変換に基づいている。
ニューロンのアンサンブルに基づくバイオインスパイアされたカオスセンサモデルは、スパイクされた生体システムのカオス挙動を動的に追跡し、この情報をバイオシステムの他の部分に送信し、さらなる処理を行うことができる。
この研究は、計算神経科学の分野の専門家にとって役立つだろう。
関連論文リスト
- Confidence Regulation Neurons in Language Models [91.90337752432075]
本研究では,大規模言語モデルが次世代の予測において不確実性を表現・規制するメカニズムについて検討する。
エントロピーニューロンは異常に高い重量ノルムを特徴とし、最終層正規化(LayerNorm)スケールに影響を与え、ロジットを効果的にスケールダウンさせる。
ここで初めて説明するトークン周波数ニューロンは、各トークンのログをそのログ周波数に比例して増加または抑制することで、出力分布をユニグラム分布から遠ざかる。
論文 参考訳(メタデータ) (2024-06-24T01:31:03Z) - The Neuron as a Direct Data-Driven Controller [43.8450722109081]
本研究は、ニューロンを最適フィードバックコントローラとして概念化し、予測を最適化する現在の規範モデルを拡張する。
我々は、ニューロンを生物学的に実現可能なコントローラとしてモデル化し、ループダイナミクスを暗黙的に識別し、潜伏状態を推測し、制御を最適化する。
我々のモデルは、従来の、フィードフォワード、即時応答のマカロック-ピッツ-ローゼンブラットニューロンから大きく離れており、ニューラルネットワークを構築するための、新しく生物学的にインフォームドされた基本ユニットを提供する。
論文 参考訳(メタデータ) (2024-01-03T01:24:10Z) - Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳(メタデータ) (2023-10-31T20:17:32Z) - WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳(メタデータ) (2023-10-25T20:34:08Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳(メタデータ) (2023-06-14T13:34:13Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Phenomenological Model of Superconducting Optoelectronic Loop Neurons [0.0]
超伝導光電子ループニューロン(英: Superconducting optoelectronic loop neurons)は、大規模人工認知のためのネットワークに導かれる回路の一種である。
これまで、ループニューロンの全てのシミュレーションは、シナプス、デンドライト、ニューロンの挙動をモデル化するために第一原理回路解析を用いてきた。
ここでは、関連するシナプス、樹状突起、神経回路の挙動を捉えるためのモデリングフレームワークを紹介する。
論文 参考訳(メタデータ) (2022-10-18T16:38:35Z) - STNDT: Modeling Neural Population Activity with a Spatiotemporal
Transformer [19.329190789275565]
我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。
本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2022-06-09T18:54:23Z) - 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) - Improving Spiking Neural Network Accuracy Using Time-based Neurons [0.24366811507669117]
アナログニューロンを用いた低消費電力スパイクニューラルネットワークに基づくニューロモルフィックコンピューティングシステムの研究が注目されている。
技術のスケールダウンに伴い、アナログニューロンはスケールが難しく、電圧ヘッドルーム/ダイナミックレンジの減少と回路の非線形性に悩まされる。
本稿では,28nmプロセスで設計した既存の電流ミラー型電圧ドメインニューロンの非線形挙動をモデル化し,ニューロンの非線形性の影響によりSNN推定精度を著しく劣化させることができることを示す。
本稿では,時間領域のスパイクを処理し,線形性を大幅に向上させる新しいニューロンを提案する。
論文 参考訳(メタデータ) (2022-01-05T00:24:45Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z)
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。