論文の概要: A Differentiable Model for Optimizing the Genetic Drivers of Synaptogenesis

• arxiv url: http://arxiv.org/abs/2402.07242v2
• Date: Fri, 20 Dec 2024 12:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:20:57.777642
• Title: A Differentiable Model for Optimizing the Genetic Drivers of Synaptogenesis
• Title（参考訳）: シナプトジェネレーションの遺伝的要因を最適化するための微分モデル
• Authors: Tommaso Boccato, Matteo Ferrante, Nicola Toschi,
• Abstract要約: 合成生物学的知能の出現を近づけるための新しい計算フレームワークであるSynaptoGenを紹介する。 SynaptoGenは、コネクトームモデル(CM)のファミリの最初のモデルであり、シナプス乗法に関する力学的な説明を提供する。 微分可能性はフレームワークの重要な特徴であり、勾配に基づく最適化技術との統合を可能にする。
• 参考スコア（独自算出の注目度）: 0.12289361708127873
• License:
• Abstract: There is a growing consensus among neuroscientists that many neural circuits critical for survival result from a process of genomic decompression, hence are constructed based on the information contained within the genome. Aligning with this perspective, we introduce SynaptoGen, a novel computational framework designed to bring the advent of synthetic biological intelligence closer, facilitating the development of neural biological agents through the precise control of genetic factors governing synaptogenesis. SynaptoGen represents the first model in the well-established family of Connectome Models (CMs) to offer a possible mechanistic explanation of synaptic multiplicity based on genetic expression and protein interaction probabilities, modeling connectivity with unprecedented granularity. Furthermore, SynaptoGen connects these genetic factors through a differentiable function, effectively working as a neural network in which each synaptic weight is computed as the average number of synapses between neurons, multiplied by its corresponding conductance, and derived from a specific genetic profile. Differentiability is a critical feature of the framework, enabling its integration with gradient-based optimization techniques. This allows SynaptoGen to generate patterns of genetic expression and/or genetic rules capable of producing pre-wired biological agents tailored to specific tasks. The framework is validated in simulated synaptogenesis scenarios with varying degrees of biological plausibility. It successfully produces biological agents capable of solving tasks in four different reinforcement learning benchmarks, consistently outperforming the state-of-the-art and a control baseline designed to represent populations of neurons where synapses form freely, i.e., without guided manipulations.
• Abstract（参考訳）: 神経科学者の間では、生存に重要な多くの神経回路がゲノム減圧の過程によって生じるという認識が高まり、したがってゲノムに含まれる情報に基づいて構築される。 この観点から, シナプトゲンは, 合成生物学的知能の出現を近づけ, シナプトゲンを決定づける遺伝的要因の精密制御を通じて, 神経生物学的エージェントの発達を促進するために設計された, 新たな計算フレームワークである。 SynaptoGenは、よく確立されたコネクトームモデル(CM)ファミリーの最初のモデルであり、前例のない粒度の接続をモデル化し、遺伝子発現とタンパク質相互作用の確率に基づくシナプス乗法に関する機械論的説明を提供する。 さらに、SynaptoGenはこれらの遺伝的因子を分化可能な機能を通じて結合し、神経細胞間のシナプスの平均個数として計算され、対応するコンダクタンスによって乗算され、特定の遺伝的プロファイルから導出されるニューラルネットワークとして効果的に機能する。 微分可能性はフレームワークの重要な特徴であり、勾配に基づく最適化技術との統合を可能にする。 これにより、SynaptoGenは特定のタスクに適した有線生物エージェントを生成することができる遺伝子の発現パターンや/または遺伝的規則を生成することができる。 このフレームワークは、様々な生物学的妥当性を持つシミュレートされたシナプス形成シナリオで検証されている。 4つの異なる強化学習ベンチマークでタスクを解くことができる生物学的エージェントを生産し、常に最先端と制御ベースラインを上回り、シナプスが自由に形成されるニューロンの集団、すなわち誘導操作なしで表現できるように設計されている。

関連論文リスト

• GaNDLF-Synth: A Framework to Democratize Generative AI for (Bio)Medical Imaging [0.36638033546156024]
  Generative Artificial Intelligence(GenAI)は、AIの分野であり、既存のデータから新しいデータサンプルを作成する。 本稿では、GenAIの背景とモチベーションを考察し、GANDLF- Synth(Generally Nuanced Deep Learning Framework for Synthesis)を紹介する。 GaNDLF- Synthは、オートエンコーダ、生成逆数ネットワーク、合成モデルなど、様々なアルゴリズムの統一的な抽象化を記述する。
  論文  参考訳（メタデータ） (2024-09-30T19:25:01Z)
• 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)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• 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)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity [0.0]
  我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。 我々のモデルは、ネットワーク全体の同期レベルを生成できた。 トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
  論文  参考訳（メタデータ） (2021-10-15T17:55:04Z)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)
• A multi-agent model for growing spiking neural networks [0.0]
  このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。 シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。 このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
  論文  参考訳（メタデータ） (2020-09-21T15:11:29Z)
• Equilibrium Propagation for Complete Directed Neural Networks [0.0]
  最も成功したニューラルネットワークの学習アルゴリズム、バックプロパゲーションは生物学的に不可能であると考えられている。 我々は,平衡伝播学習の枠組みを構築し拡張することによって,生物学的に妥当な神経学習の話題に貢献する。
  論文  参考訳（メタデータ） (2020-06-15T22:12:30Z)

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。