論文の概要: The Neuron as a Direct Data-Driven Controller
- arxiv url: http://arxiv.org/abs/2401.01489v1
- Date: Wed, 3 Jan 2024 01:24:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 15:35:30.982650
- Title: The Neuron as a Direct Data-Driven Controller
- Title（参考訳）: 直接データ駆動制御としてのニューロン
- Authors: Jason Moore, Alexander Genkin, Magnus Tournoy, Joshua Pughe-Sanford,
Rob R. de Ruyter van Steveninck, and Dmitri B. Chklovskii
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 43.8450722109081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the quest to model neuronal function amidst gaps in physiological data, a
promising strategy is to develop a normative theory that interprets neuronal
physiology as optimizing a computational objective. This study extends the
current normative models, which primarily optimize prediction, by
conceptualizing neurons as optimal feedback controllers. We posit that neurons,
especially those beyond early sensory areas, act as controllers, steering their
environment towards a specific desired state through their output. This
environment comprises both synaptically interlinked neurons and external motor
sensory feedback loops, enabling neurons to evaluate the effectiveness of their
control via synaptic feedback. Utilizing the novel Direct Data-Driven Control
(DD-DC) framework, we model neurons as biologically feasible controllers which
implicitly identify loop dynamics, infer latent states and optimize control.
Our DD-DC neuron model explains various neurophysiological phenomena: the shift
from potentiation to depression in Spike-Timing-Dependent Plasticity (STDP)
with its asymmetry, the duration and adaptive nature of feedforward and
feedback neuronal filters, the imprecision in spike generation under constant
stimulation, and the characteristic operational variability and noise in the
brain. Our model presents a significant departure from the traditional,
feedforward, instant-response McCulloch-Pitts-Rosenblatt neuron, offering a
novel and biologically-informed fundamental unit for constructing neural
networks.
- Abstract（参考訳）: 生理学的データのギャップの中でニューロンの機能をモデル化しようとする試みにおいて、有望な戦略は、神経生理学を計算目的の最適化として解釈する規範理論を開発することである。
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、特に初期の感覚領域を超えて、その出力を通じて、環境を特定の望ましい状態に向けて操りながら、コントローラとして振る舞うことを仮定する。
この環境はシナプス結合ニューロンと外部運動感覚フィードバックループの両方を含み、シナプスフィードバックによる制御の有効性を評価することができる。
新たなDD-DC(Direct Data-Driven Control)フレームワークを利用することで、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する。
私たちのdd-dcニューロンモデルは様々な神経生理学的現象を説明する:その非対称性によるspike-timing-dependent plasticity(stdp)の増強から抑うつへのシフト、フィードフォワードおよびフィードバックニューロンフィルタの持続時間と適応性、一定の刺激下でのスパイク発生の欠如、脳の操作的変動とノイズ。
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。
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) - Contribute to balance, wire in accordance: Emergence of backpropagation from a simple, bio-plausible neuroplasticity rule [0.0]
我々は,脳にBPを実装するための潜在的なメカニズムを提供する新しい神経可塑性規則を導入する。
我々は,我々の学習規則が階層型ニューラルネットワークのBPを近似なしで正確に再現できることを数学的に証明した。
論文 参考訳（メタデータ） (2024-05-23T03:28:52Z) - Learning Control Policies of Hodgkin-Huxley Neuronal Dynamics [1.629803445577911]
ニューラルネットワークを用いてオフラインで値関数を近似し、フィードバックフォームを介してリアルタイムで制御(刺激)を生成する。
数値実験では, 分布外サンプルに対するアプローチの精度と, 系の緩やかな衝撃や乱れに対する頑健さが示されている。
論文 参考訳（メタデータ） (2023-11-13T18:53:50Z) - 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) - 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) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - 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) - 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) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z)
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。