論文の概要: Predictive Spike Timing Enables Distributed Shortest Path Computation in Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2509.10077v1
• Date: Fri, 12 Sep 2025 09:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.025221
• Title: Predictive Spike Timing Enables Distributed Shortest Path Computation in Spiking Neural Networks
• Title（参考訳）: スパイクタイミング予測によりスパイクニューラルネットワークにおける分散短経路計算が可能に
• Authors: Simen Storesund, Kristian Valset Aars, Robin Dietrich, Nicolai Waniek,
• Abstract要約: 本稿では,リアルタイムな処理遅延を伴う局所スパイクベースのメッセージパスにより,最短経路計算を行うアルゴリズムを提案する。 短期的なタイミング力学だけで最短経路を計算できるかを示すことによって、この研究は、生物学的ネットワークが複雑な計算問題をどう解決するかに関する新たな洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.26249027950824505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient planning and sequence selection are central to intelligence, yet current approaches remain largely incompatible with biological computation. Classical graph algorithms like Dijkstra's or A* require global state and biologically implausible operations such as backtracing, while reinforcement learning methods rely on slow gradient-based policy updates that appear inconsistent with rapid behavioral adaptation observed in natural systems. We propose a biologically plausible algorithm for shortest-path computation that operates through local spike-based message-passing with realistic processing delays. The algorithm exploits spike-timing coincidences to identify nodes on optimal paths: Neurons that receive inhibitory-excitatory message pairs earlier than predicted reduce their response delays, creating a temporal compression that propagates backwards from target to source. Through analytical proof and simulations on random spatial networks, we demonstrate that the algorithm converges and discovers all shortest paths using purely timing-based mechanisms. By showing how short-term timing dynamics alone can compute shortest paths, this work provides new insights into how biological networks might solve complex computational problems through purely local computation and relative spike-time prediction. These findings open new directions for understanding distributed computation in biological and artificial systems, with possible implications for computational neuroscience, AI, reinforcement learning, and neuromorphic systems.
• Abstract（参考訳）: 効率的な計画とシーケンス選択は知性の中心であるが、現在のアプローチは生物学的計算とは相容れない。 Dijkstra や A* のような古典的なグラフアルゴリズムは、バックトレーシングのような地球状態と生物学的に不可能な操作を必要とするが、強化学習法は、自然システムで観察される素早い行動適応と矛盾する緩やかな勾配に基づくポリシー更新に依存している。 本稿では,局所的なスパイクベースのメッセージパッシングとリアルな処理遅延を通した,最短経路計算のための生物学的に妥当なアルゴリズムを提案する。 このアルゴリズムは、スパイクタイミングの偶然を利用して、最適な経路上のノードを識別する。予測よりも早く抑制と興奮のメッセージペアを受け取るニューロンは、応答遅延を減少させ、ターゲットからソースへ後方に伝播する時間的圧縮を生成する。 ランダムな空間ネットワーク上の解析的証明とシミュレーションにより、このアルゴリズムは、純粋にタイミングに基づくメカニズムを用いて、最短経路をすべて収束し、発見することを示した。 この研究は、短期的な時間力学だけでいかに短い経路を計算できるかを示すことによって、生物学的ネットワークが純粋に局所的な計算と相対的なスパイク時間予測を通じて複雑な計算問題をどのように解決するかの新しい洞察を提供する。 これらの発見は、生物学的および人工システムにおける分散計算を理解するための新しい方向性を開き、計算神経科学、AI、強化学習、ニューロモルフィックシステムに影響を及ぼす可能性がある。

関連論文リスト

• Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。 本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-27T05:53:30Z)
• Neural Operator Learning for Long-Time Integration in Dynamical Systems with Recurrent Neural Networks [1.6874375111244329]
  深層ニューラルネットワークは、推論中に計算コストを削減し、観測データから直接トレーニングすることができる。 しかし、既存の手法は正確には外挿できないため、長時間の統合ではエラーの蓄積が困難である。 ニューラル演算子とリカレントニューラルネットワークを組み合わせることでこの問題に対処し、オペレータマッピングを学習し、時間的依存関係をキャプチャするリカレント構造を提供する。
  論文  参考訳（メタデータ） (2023-03-03T22:19:23Z)
• Proximal Mean Field Learning in Shallow Neural Networks [0.4972323953932129]
  無限幅の単一の隠蔽層を有する浅層ニューラルネットワークのための独自の学習アルゴリズムを提案する。 解析ツールとしてではなく,計算アルゴリズムとして,平均場学習を実現する。 本アルゴリズムはリスク関数に関連する自由エネルギーの勾配降下を行う。
  論文  参考訳（メタデータ） (2022-10-25T10:06:26Z)
• Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
  既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。 本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-06T13:18:31Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
  アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。 このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。 また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
  論文  参考訳（メタデータ） (2020-10-13T08:02:38Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。