論文の概要: Listen to the Waves: Using a Neuronal Model of the Human Auditory System to Predict Ocean Waves
- arxiv url: http://arxiv.org/abs/2404.09510v1
- Date: Mon, 15 Apr 2024 07:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 13:19:30.710954
- Title: Listen to the Waves: Using a Neuronal Model of the Human Auditory System to Predict Ocean Waves
- Title（参考訳）: 波に耳を傾ける:ヒト聴覚系の神経モデルを用いた海洋波の予測
- Authors: Artur Matysiak, Volker Roeber, Henrik Kalisch, Reinhard König, Patrick J. C. May,
- Abstract要約: ニューラルネットワークを生物学的原理に沿って設計すると、タスク性能が大幅に向上することを示す。
一つの場所で測定された海波と耳ドラムに届く音波の類似性から、我々は脳の聴覚系に似たエコー状態ネットワークを再設計した。
以上の結果から,ニューロサイエンスと機械学習の統合の利点が示され,海洋波からの温室効果ガス生産に有用なツールが提供される。
- 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: Artificial neural networks (ANNs) have evolved from the 1940s primitive models of brain function to become tools for artificial intelligence. They comprise many units, artificial neurons, interlinked through weighted connections. ANNs are trained to perform tasks through learning rules that modify the connection weights. With these rules being in the focus of research, ANNs have become a branch of machine learning developing independently from neuroscience. Although likely required for the development of truly intelligent machines, the integration of neuroscience into ANNs has remained a neglected proposition. Here, we demonstrate that designing an ANN along biological principles results in drastically improved task performance. As a challenging real-world problem, we choose real-time ocean-wave prediction which is essential for various maritime operations. Motivated by the similarity of ocean waves measured at a single location to sound waves arriving at the eardrum, we redesign an echo state network to resemble the brain's auditory system. This yields a powerful predictive tool which is computationally lean, robust with respect to network parameters, and works efficiently across a wide range of sea states. Our results demonstrate the advantages of integrating neuroscience with machine learning and offer a tool for use in the production of green energy from ocean waves.
- Abstract（参考訳）: ニューラルネットワーク(ANN)は、1940年代の脳機能の原始モデルから、人工知能のツールへと進化してきた。
それらは多くのユニット、人工ニューロンから構成され、重み付けされた接続を介して相互に繋がる。
ANNは接続重みを変更する学習ルールを通じてタスクを実行するように訓練されている。
これらのルールが研究の焦点となっているため、ANNは神経科学とは独立して開発された機械学習の分野となっている。
真にインテリジェントな機械の開発に必要とされているが、神経科学のANNへの統合はいまだに無視された提案である。
ここでは、生物学的原理に沿ってANNを設計すると、タスク性能が大幅に向上することを示す。
実世界の課題として,様々な海洋活動に欠かせないリアルタイムの海洋波予測を選択する。
一つの場所で測定された海波と耳ドラムに届く音波の類似性から、我々は脳の聴覚系に似たエコー状態ネットワークを再設計した。
これにより、計算に精通し、ネットワークパラメータに関して堅牢で、広範囲の海状態にわたって効率的に機能する強力な予測ツールが得られる。
以上の結果から,ニューロサイエンスと機械学習の統合の利点が示され,海洋波からの温室効果ガス生産に有用なツールが提供される。
関連論文リスト
- Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳（メタデータ） (2024-10-25T13:15:17Z) - 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) - 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) - Learning to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳（メタデータ） (2023-05-25T11:33:04Z) - Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。
これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
論文 参考訳（メタデータ） (2023-05-18T18:34:29Z) - 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) - Testing the Tools of Systems Neuroscience on Artificial Neural Networks [0.0]
これらのツールは明示的にテストされるべきであり、人工知能(ANN)が彼らにとって適切なテスト基盤である、と私は主張する。
ANNを知覚から記憶、運動制御に至るまで、あらゆるもののモデルとして使用することは、人工ニューラルネットワークと生物学的ニューラルネットワークの粗い類似性に起因する。
ここでは、このテストを実行するためのロードマップと、ANNでテストするのに適したツールのリストを提供しています。
論文 参考訳（メタデータ） (2022-02-14T20:55:26Z) - Deep Reinforcement Learning with Spiking Q-learning [51.386945803485084]
スパイクニューラルネットワーク(SNN)は、少ないエネルギー消費で人工知能(AI)を実現することが期待されている。
SNNと深部強化学習(RL)を組み合わせることで、現実的な制御タスクに有望なエネルギー効率の方法を提供する。
論文 参考訳（メタデータ） (2022-01-21T16:42:11Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳（メタデータ） (2021-02-25T02:13:52Z) - Neural Networks, Artificial Intelligence and the Computational Brain [0.0]
本研究では、生物ニューロンのシミュレータとしてのANNの概念を検討する。
また、なぜ脳のような知能が必要なのか、そしてそれが計算フレームワークとどのように異なるのかを探求する。
論文 参考訳（メタデータ） (2020-12-25T05:56:41Z) - Neuromorphic Processing and Sensing: Evolutionary Progression of AI to
Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。
本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。
プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文 参考訳（メタデータ） (2020-07-10T20:54:42Z)
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。