論文の概要: Stimulus-Voltage-Based Prediction of Action Potential Onset Timing: Classical vs. Quantum-Inspired Approaches

• arxiv url: http://arxiv.org/abs/2510.03155v1
• Date: Fri, 03 Oct 2025 16:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.48497
• Title: Stimulus-Voltage-Based Prediction of Action Potential Onset Timing: Classical vs. Quantum-Inspired Approaches
• Title（参考訳）: Stimulus-Voltage-based Prediction of Action Potential Onset Timeing: Classical vs. Quantum-Inspired Approaches
• Authors: Stevens Johnson, Varun Puram, Johnson Thomas, Acsah Konuparamban, Ashwin Kannan,
• Abstract要約: 本稿では、APのオンセットを確率的事象として扱う量子インスパイアされたインテリジェンス・アンド・ファイア(QI-LIF)モデルを提案する。 従来の LIF モデルと QI-LIF モデルとの相対誤差を体系的に比較した。 以上の結果から,QI-LIFモデルは特に高強度刺激に対する予測誤差を著しく低減することが示された。
• 参考スコア（独自算出の注目度）: 0.09320657506524148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of neuronal action potential (AP) onset timing is crucial for understanding neural coding of danger signals. Traditional leaky integrate-and-fire (LIF) models, while widely used, exhibit high relative error in predicting AP onset latency, especially under strong or rapidly changing stimuli. Inspired by recent experimental findings and quantum theory, we present a quantum-inspired leaky integrate-and-fire (QI-LIF) model that treats AP onset as a probabilistic event, represented by a Gaussian wave packet in time. This approach captures the biological variability and uncertainty inherent in neuronal firing. We systematically compare the relative error of AP onset predictions between the classical LIF and QI-LIF models using synthetic data from hippocampal and sensory neurons subjected to varying stimulus amplitudes. Our results demonstrate that the QI-LIF model significantly reduces prediction error, particularly for high-intensity stimuli, aligning closely with observed biological responses. This work highlights the potential of quantum-inspired computational frameworks in advancing the accuracy of neural modeling and has implications for quantum engineering approaches to brain-inspired computing.
• Abstract（参考訳）: 神経活動電位(AP)開始タイミングの正確なモデリングは、危険信号の神経コーディングを理解するために重要である。 従来の漏洩統合火災(LIF)モデルは広く使われているが、特に強いあるいは急速に変化する刺激の下で、APの起動遅延を予測するのに高い相対誤差を示す。 最近の実験結果と量子理論にインスパイアされた、APオンセットを確率的事象として扱い、ガウス波パケットを時間内に表現する量子的にインスパイアされたインテリジェンス・アンド・ファイア(QI-LIF)モデルを提案する。 このアプローチは、神経細胞の発火に固有の生物学的多様性と不確実性を捉えている。 刺激振幅の異なる海馬および感覚ニューロンの合成データを用いて,古典的LIFモデルとQI-LIFモデルとのAP発症予測の相対誤差を系統的に比較した。 以上の結果から,QI-LIFモデルは特に高強度刺激に対する予測誤差を著しく低減し,観察された生体反応と密接に一致していることが示唆された。 この研究は、ニューラルネットワークの精度向上における量子インスパイアされた計算フレームワークの可能性を強調し、脳にインスパイアされたコンピューティングに対する量子工学的アプローチに影響を及ぼす。

関連論文リスト

• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• Frequency-Domain Analysis of Time-Dependent Multiomic Data in Progressive Neurodegenerative Diseases: A Proposed Quantum-Classical Hybrid Approach with Quaternionic Extensions [0.0]
  時系列データを周波数またはs領域に変換する理論的数学的枠組みを提案する。 パターン検出の強化には,変分量子固有解法(VQE)を用いた量子古典ハイブリッドコンピューティングを用いる。 本枠組みは, 神経変性疾患の精密医学の再定義に向けた基礎研究を, 今後の検証を通じて進めることを目的としている。
  論文  参考訳（メタデータ） (2025-08-11T13:03:58Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• 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)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Bayesian Continual Learning via Spiking Neural Networks [38.518936229794214]
  我々は,学習課題の変更に適応可能なニューロモルフィックシステムの設計に向けて一歩踏み出した。 ベイズ連続学習フレームワーク内のニューラルネットワーク(SNN)をスパイクするためのオンライン学習ルールを導出する。 実数値と二値のシナプス重みに対する提案手法のインスタンス化を行う。
  論文  参考訳（メタデータ） (2022-08-29T17:11:14Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

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。