論文の概要: Augmenting learning in neuro-embodied systems through neurobiological first principles

• arxiv url: http://arxiv.org/abs/2407.04525v5
• Date: Mon, 03 Nov 2025 13:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-04 16:14:21.778549
• Title: Augmenting learning in neuro-embodied systems through neurobiological first principles
• Title（参考訳）: 神経生物学第一原理による神経・身体系における学習の増強
• Authors: Alejandro Rodriguez-Garcia, Anindya Ghosh, Jie Mei, Srikanth Ramaswamy,
• Abstract要約: 本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
• 参考スコア（独自算出の注目度）: 42.810158068175646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in artificial intelligence (AI) has been driven by insights from physics and neuroscience, particularly through the development of artificial neural networks (ANNs) capable of complex cognitive tasks such as vision and language processing. Despite these advances, they struggle with continual learning, adaptable knowledge transfer, robustness, and resource efficiency -- capabilities that biological systems handle seamlessly. Specifically, neuromorphic systems and artificial neural networks often overlook two key biophysical properties of neural circuits: neuronal diversity and cell-specific neuromodulation. These mechanisms, essential for regulating dynamic learning across brain scales, allow neuromodulators to introduce degeneracy in biological neural networks, ensuring stability and adaptability under changing conditions. In this article, we summarize recent bioinspired models, learning rules, and architectures, and propose a framework for augmenting ANNs, which has the potential to bridge the gap between neuroscience and AI through neurobiological first principles. Our proposed dual-framework approach leverages spiking neural networks to emulate diverse spiking behaviors and dendritic compartmental dynamics, thereby simulating the morphological and functional diversity of neuronal computations. Finally, we outline how integrating these biophysical principles into task-driven spiking neural networks and neuromorphic systems provides scalable solutions for continual learning, adaptability, robustness, and resource-efficiency. Additionally, this approach will not only provide insights into how emergent behaviors arise in neural networks but also catalyze the development of more efficient, reliable, and intelligent neuromorphic systems and robotic agents.
• Abstract（参考訳）: 人工知能(AI)の最近の進歩は、物理学や神経科学からの洞察、特に視覚や言語処理といった複雑な認知タスクが可能な人工知能ニューラルネットワーク(ANN)の開発によってもたらされている。 これらの進歩にもかかわらず、彼らは継続的な学習、適応可能な知識伝達、堅牢性、そして生物学的システムがシームレスに扱う能力に苦しむ。 具体的には、ニューロモルフィックシステムと人工神経回路は、神経の多様性と細胞特異的な神経調節という2つの重要な生物学的性質を見落としていることが多い。 これらのメカニズムは、脳のスケールにわたって動的学習を調節するために必須であり、神経調節物質は生物学的ニューラルネットワークに退化性を導入し、変化する条件下での安定性と適応性を確保する。 本稿では、最近のバイオインスパイアされたモデル、学習ルール、アーキテクチャを要約し、神経生物学の第一原理を通じて神経科学とAIのギャップを埋める可能性を持つANNの拡張フレームワークを提案する。 提案手法はスパイキングニューラルネットワークを用いて多様なスパイキング行動と樹状部分動態をエミュレートし,ニューラル計算の形態的および機能的多様性をシミュレートする。 最後に、これらの生体物理原理をタスク駆動のスパイクニューラルネットワークやニューロモルフィックシステムに組み込むことで、継続的な学習、適応性、堅牢性、リソース効率のスケーラブルなソリューションが実現されるかを概説する。 さらに、このアプローチは、ニューラルネットワークにおける創発的行動の発生に関する洞察を提供するだけでなく、より効率的で信頼性が高く、インテリジェントなニューロモルフィックシステムやロボットエージェントの開発を触媒する。

関連論文リスト

• Guiding Sparse Neural Networks with Neurobiological Principles to Elicit Biologically Plausible Representations [1.0787328610467803]
  神経生物学の原則を自然に統合する生物学的にインスピレーションを受けた学習規則を導入する。 我々のモデルは敵攻撃に対する堅牢性を高め、より優れた一般化を示す。 予備的な結果は、このアプローチが機能特化からタスク特化エンコーディングに拡張できることを示唆している。
  論文  参考訳（メタデータ） (2026-03-03T18:27:37Z)
• Intelligence Foundation Model: A New Perspective to Approach Artificial General Intelligence [55.07411490538404]
  我々は,人工知能基盤モデル(IFM)による人工知能(AGI)への新たな視点を提案する。 IFMは、多様な知的行動から直接学習することで、インテリジェンスの基礎となるメカニズムを取得することを目的としている。
  論文  参考訳（メタデータ） (2025-11-13T09:28:41Z)
• Evolution imposes an inductive bias that alters and accelerates learning dynamics [49.1574468325115]
  進化的最適化がニューラルネットワークの学習力学に与える影響について検討する。 我々は,アルゴリズムの自然選択とオンライン学習を組み合わせて,ニューラルネットワークの進化的条件付け手法を開発した。 結果は、進化はニューラルネットワークをチューニングして迅速な学習を可能にする誘導バイアスを構成することを示唆している。
  論文  参考訳（メタデータ） (2025-05-15T18:50:57Z)
• Neuroplasticity in Artificial Intelligence -- An Overview and Inspirations on Drop In & Out Learning [42.086960710257564]
  我々は、神経新生、神経アポトーシス、神経可塑性が将来のAI進歩にどのように影響するかを探求する。 神経新生と再考のためのドロップイン'の概念を導入し,神経アポトーシスのための構造解析を行った。 我々は、この学際領域におけるより大きな研究努力を提唱することで締めくくる。
  論文  参考訳（メタデータ） (2025-03-27T12:09:04Z)
• Improving the adaptive and continuous learning capabilities of artificial neural networks: Lessons from multi-neuromodulatory dynamics [43.35924697803789]
  生物学的生物は、動的環境に適応しながら知識を取得し、移動し、保持する。 本研究は,生物学習システムの基本的特徴である神経調節が,破滅的な忘れ込みなどの課題にどのように対処できるかを考察する。 マルチスケールの神経調節を統合することで,生物学習と人工システムとのギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2025-01-12T10:10:01Z)
• 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)
• Research Advances and New Paradigms for Biology-inspired Spiking Neural Networks [8.315801422499861]
  スパイキングニューラルネットワーク(SNN)は、計算シミュレーションと人工知能の分野で人気を集めている。 本稿では,SNNの歴史的発展を考察し,これら2つの分野が相互に交わり,急速に融合していることを結論する。
  論文  参考訳（メタデータ） (2024-08-26T03:37:48Z)
• Astrocyte-Enabled Advancements in Spiking Neural Networks for Large Language Modeling [7.863029550014263]
  Astrocyte-Modulated Spiking Neural Network (AstroSNN) は、記憶保持や自然言語生成に関わるタスクにおいて、例外的な性能を示す。 AstroSNNは、実用的なアプリケーションで低レイテンシ、高スループット、メモリ使用量の削減を示す。
  論文  参考訳（メタデータ） (2023-12-12T06:56:31Z)
• 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)
• 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)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• 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)
• 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)
• Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural Networks [20.99799416963467]
  ヒトの脳では、神経の多様性はあらゆる生物学的知的行動に有効である。 本稿では,まず,生物ニューロンの多様性と情報伝達・処理の特徴について論じる。
  論文  参考訳（メタデータ） (2023-01-23T02:23:45Z)
• 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)
• Towards efficient end-to-end speech recognition with biologically-inspired neural networks [10.457580011403289]
  軸-体性および軸-体性シナプスを模擬した神経接続概念を導入する。 我々は,大規模ASRモデルの生物学的に現実的な実装によって,競争性能が向上できることを初めて実証した。
  論文  参考訳（メタデータ） (2021-10-04T21:24:10Z)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)

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。