Fugu-MT 論文翻訳(概要): The GAIN Model: A Nature-Inspired Neural Network Framework Based on an Adaptation of the Izhikevich Model

論文の概要: The GAIN Model: A Nature-Inspired Neural Network Framework Based on an Adaptation of the Izhikevich Model

arxiv url: http://arxiv.org/abs/2506.04247v1
Date: Sat, 31 May 2025 16:30:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-06 21:53:49.295045
Title: The GAIN Model: A Nature-Inspired Neural Network Framework Based on an Adaptation of the Izhikevich Model
Title（参考訳）: GAINモデル:Izhikevichモデルの適応に基づく自然に着想を得たニューラルネットワークフレームワーク
Authors: Gage K. R. Hooper,
Abstract要約: GAINモデルは、グリッドベースの構造を使用して、生物学的な可視性とモデルのダイナミクスを改善する。このIzhikevichモデルの適応により、モデルの力学と精度が向上し、その用途は特殊化できるが効率的である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: While many neural networks focus on layers to process information, the GAIN model uses a grid-based structure to improve biological plausibility and the dynamics of the model. The grid structure helps neurons to interact with their closest neighbors and improve their connections with one another, which is seen in biological neurons. While also being implemented with the Izhikevich model this approach allows for a computationally efficient and biologically accurate simulation that can aid in the development of neural networks, large scale simulations, and the development in the neuroscience field. This adaptation of the Izhikevich model can improve the dynamics and accuracy of the model, allowing for its uses to be specialized but efficient.
Abstract（参考訳）: 多くのニューラルネットワークが情報を処理するためのレイヤに焦点を当てている一方で、GAINモデルはグリッドベースの構造を使用して、生物学的な可視性とモデルのダイナミクスを改善している。格子構造は、ニューロンが近接する隣人と相互作用し、生物学的ニューロンに見られる相互接続を改善するのに役立つ。このアプローチは、Izhikevichモデルでも実装されているが、ニューラルネットワークの開発、大規模シミュレーション、神経科学分野の発展に役立つ計算効率が高く生物学的に正確なシミュレーションを可能にする。このIzhikevichモデルの適応により、モデルの力学と精度が向上し、その用途は特殊化できるが効率的である。

関連論文リスト

NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
論文参考訳（メタデータ） (2025-06-05T01:01:18Z)
Planarian Neural Networks: Evolutionary Patterns from Basic Bilateria Shaping Modern Artificial Neural Network Architectures [7.054776300100835]
本研究の目的は, プランタリアンの生物学的神経系構造に触発された新しいアプローチにより, ANNの画像分類性能を向上させることである。提案した計画的ニューラルネットワークは、CIFAR-10とCIFAR-100データセットに基づいて評価された。
論文参考訳（メタデータ） (2025-01-08T18:59:36Z)
Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
論文参考訳（メタデータ） (2024-10-01T13:19:51Z)
Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts [28.340344705437758]
視覚入力から行動出力まで,包括的な視覚的意思決定モデルを実装した。我々のモデルは人間の行動と密接に一致し、霊長類の神経活動を反映する。ニューロイメージング・インフォームド・ファインチューニング手法を導入し、モデルに適用し、性能改善を実現した。
論文参考訳（メタデータ） (2024-09-04T02:38:52Z)
Bio-realistic Neural Network Implementation on Loihi 2 with Izhikevich Neurons [0.10499611180329801]
我々は,バイオリアリスティックな基底神経節ニューラルネットワークとそのIntelのLoihiニューロモルフィックプロセッサへの統合による,単純なGo/No-Goタスクの実行について紹介した。 We used Izhikevich neuron model, implemented as microcode, instead to Leaky-Integrate and Fire neuron model that built-in support on Loihi。
論文参考訳（メタデータ） (2023-07-21T18:28:17Z)
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)
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)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
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)
Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文参考訳（メタデータ） (2021-09-22T16:52:51Z)
Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。