Fugu-MT 論文翻訳(概要): Freezing chaos without synaptic plasticity

論文の概要: Freezing chaos without synaptic plasticity

arxiv url: http://arxiv.org/abs/2503.08069v1
Date: Tue, 11 Mar 2025 06:04:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-12 15:44:16.911512
Title: Freezing chaos without synaptic plasticity
Title（参考訳）: シナプス可塑性のない凍結カオス
Authors: Weizhong Huang, Haiping Huang,
Abstract要約: 強いカオス変動は情報処理に有害である可能性がある。ここではシナプス可塑性のない別の方法を紹介する。勾配力学は、外部時間依存刺激のリコールや予測といった計算作業にも有用である。
参考スコア（独自算出の注目度）: 2.5690340428649328
License:
Abstract: Chaos is ubiquitous in high-dimensional neural dynamics. A strong chaotic fluctuation may be harmful to information processing. A traditional way to mitigate this issue is to introduce Hebbian plasticity, which can stabilize the dynamics. Here, we introduce another distinct way without synaptic plasticity. An Onsager reaction term due to the feedback of the neuron itself is added to the vanilla recurrent dynamics, making the driving force a gradient form. The original unstable fixed points supporting the chaotic fluctuation can then be approached by further decreasing the kinetic energy of the dynamics. We show that this freezing effect also holds in more biologically realistic networks, such as those composed of excitatory and inhibitory neurons. The gradient dynamics are also useful for computational tasks such as recalling or predicting external time-dependent stimuli.
Abstract（参考訳）: カオスは高次元神経力学においてユビキタスである。強いカオス変動は情報処理に有害である可能性がある。この問題を緩和する伝統的な方法は、力学を安定させるヘビアン可塑性を導入することである。ここではシナプス可塑性のない別の方法を紹介する。ニューロン自体のフィードバックによるオンサーガー反応項がバニラ繰り返し力学に付加され、駆動力が勾配形となる。カオス的揺らぎを支持する元の不安定な固定点は、力学の運動エネルギーをさらに減少させることでアプローチすることができる。この凍結効果は、興奮性ニューロンや抑制性ニューロンなど、より生物学的に現実的なネットワークにも作用することを示す。勾配力学は、外部時間依存刺激のリコールや予測といった計算作業にも有用である。

関連論文リスト

Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
神経科学とAIの両方において、ニューロン間の'結合'が競合学習の形式につながることは長年知られている。完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、推論など、幅広いタスクに性能改善をもたらすことを示す。
論文参考訳（メタデータ） (2024-10-17T17:47:54Z)
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)
An optimization-based equilibrium measure describes non-equilibrium steady state dynamics: application to edge of chaos [2.5690340428649328]
神経力学を理解することは、機械学習、非線形物理学、神経科学において中心的なトピックである。力学は非線形であり、特に非勾配、すなわち駆動力はポテンシャルの勾配として書けない。
論文参考訳（メタデータ） (2024-01-18T14:25:32Z)
Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文参考訳（メタデータ） (2023-11-21T13:07:20Z)
Smooth Exact Gradient Descent Learning in Spiking Neural Networks [0.0]
連続的に変化するスパイキングダイナミクスに基づいて、正確な勾配降下を示す。これらは、スパイクが消えてトライアルの終わりに現れるニューロンモデルによって生成され、その後のダイナミクスには影響しない。
論文参考訳（メタデータ） (2023-09-25T20:51:00Z)
Theory of coupled neuronal-synaptic dynamics [3.626013617212667]
神経回路では、シナプス強度が神経活動に影響を及ぼす。神経ユニットとシナプス結合が動的変数と相互作用するリカレント・ネットワークモデルについて検討する。我々は,ヘビアン可塑性を加えることでカオスネットワークの活動が遅くなり,カオスを引き起こすことを示した。
論文参考訳（メタデータ） (2023-02-17T16:42:59Z)
Dynamics with autoregressive neural quantum states: application to critical quench dynamics [41.94295877935867]
本稿では、量子系の長時間のダイナミクスを安定的に捉えるための代替の汎用スキームを提案する。二次元量子イジングモデルにおけるキブル・ズレーク機構の解明により,時間依存性のクエンチ力学にこのスキームを適用した。
論文参考訳（メタデータ） (2022-09-07T15:50:00Z)
Reminiscence of classical chaos in driven transmons [117.851325578242]
共振器外ドライブでさえ、トランスモンスペクトルの構造に強い変化をもたらし、その大部分がカオスであることを示す。その結果、カオス誘起量子分解効果の出現を特徴付ける光子数しきい値が導かれる。
論文参考訳（メタデータ） (2022-07-19T16:04:46Z)
Self-organized criticality in neural networks [0.0]
本稿では,ニューラルネットワークの学習ダイナミクスが,自己組織的臨界状態に対して汎用的に惹きつけられていることを示す。私たちの結果は、宇宙はニューラルネットワークかもしれないという主張を支持します。
論文参考訳（メタデータ） (2021-07-07T18:00:03Z)
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)
Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文参考訳（メタデータ） (2020-11-12T06:06:33Z)

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。