論文の概要: From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification
- arxiv url: http://arxiv.org/abs/2510.05637v1
- Date: Tue, 07 Oct 2025 07:36:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.141902
- Title: From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification
- Title（参考訳）: 神経活動から計算へ:ディジット分類におけるパターン認識のための生物貯留層
- Authors: Ludovico Iannello, Luca Ciampi, Fabrizio Tonelli, Gabriele Lagani, Lucio Maria Calcagnile, Federico Cremisi, Angelo Di Garbo, Giuseppe Amato,
- Abstract要約: 本稿では,培養された生体ニューロンのネットワークが貯留層として機能する貯留層コンピューティング(RC)への生物学的基盤的アプローチを提案する。
カスタムデータセットを用いた数字分類のケーススタディにより,本システムの評価を行った。
- 参考スコア（独自算出の注目度）: 5.786141965873944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a biologically grounded approach to reservoir computing (RC), in which a network of cultured biological neurons serves as the reservoir substrate. This system, referred to as biological reservoir computing (BRC), replaces artificial recurrent units with the spontaneous and evoked activity of living neurons. A multi-electrode array (MEA) enables simultaneous stimulation and readout across multiple sites: inputs are delivered through a subset of electrodes, while the remaining ones capture the resulting neural responses, mapping input patterns into a high-dimensional biological feature space. We evaluate the system through a case study on digit classification using a custom dataset. Input images are encoded and delivered to the biological reservoir via electrical stimulation, and the corresponding neural activity is used to train a simple linear classifier. To contextualize the performance of the biological system, we also include a comparison with a standard artificial reservoir trained on the same task. The results indicate that the biological reservoir can effectively support classification, highlighting its potential as a viable and interpretable computational substrate. We believe this work contributes to the broader effort of integrating biological principles into machine learning and aligns with the goals of human-inspired vision by exploring how living neural systems can inform the design of efficient and biologically plausible models.
- Abstract（参考訳）: 本稿では, 培養された生体ニューロンのネットワークが貯留層として機能する, 貯留層コンピューティング(RC)への生物学的基盤的アプローチを提案する。
このシステムは、生物貯水池コンピューティング (BRC) と呼ばれ、人工的な再帰単位を、生きたニューロンの自発的で誘発された活動に置き換える。
マルチ電極アレイ(MEA)は、複数の部位にわたって同時刺激と読み出しを可能にする:入力は電極のサブセットを介して配信され、残りのものは神経応答を捉え、入力パターンを高次元の生物学的特徴空間にマッピングする。
カスタムデータセットを用いた数字分類のケーススタディにより,本システムの評価を行った。
入力画像は電気刺激により生体貯水池に符号化され、対応する神経活動を用いて単純な線形分類器を訓練する。
生体システムの性能を文脈的に評価するために、同じタスクで訓練された標準的な人工貯水池との比較も含む。
その結果,生物貯水池は分類を効果的に支援し,有効かつ解釈可能な計算基板としての可能性を強調した。
この研究は、生物学的原理を機械学習に統合し、生きたニューラルネットワークが、効率的で生物学的に可能なモデルの設計にどのように役立つかを探求することによって、人間にインスパイアされたビジョンの目標と一致させることに寄与すると考えている。
関連論文リスト
- From Neurons to Computation: Biological Reservoir Computing for Pattern Recognition [3.342739594466204]
我々は、培養された生体ニューロンのプールを貯水池基質として活用し、生物貯水池コンピューティング(BRC)を作成する貯水池コンピューティング(RC)のパラダイムを導入する。
このシステムはエコー状態ネットワーク(ESN)と同様に動作し、神経活動が培養されたニューロンのネットワークによって生成されることが鍵となる。
結果は、従来のニューラルネットワークで処理されるタスクを実行するために、生物学的ニューラルネットワークを使用することの可能性を示している。
論文 参考訳（メタデータ） (2025-05-06T13:20:04Z) - Bio-Inspired Mamba: Temporal Locality and Bioplausible Learning in Selective State Space Models [0.0]
Bio-Inspired Mambaは、生物学習の原則とMambaアーキテクチャを統合する、選択的な状態空間モデルのための新しいオンライン学習フレームワークである。
BIMはリアルタイム・リカレント・ラーニング(RTRL)とSpike-Timing-Dependent Plasticity(STDP)のようなローカル・ラーニング・ルールを組み合わせることで、スパイキングニューラルネットワークのトレーニングにおける時間的局所性と生物学的妥当性の課題に対処する。
言語モデリング,音声認識,バイオメディカル信号解析におけるBIMの評価を行い,生物学習の原則を順守しつつ,従来の手法と競合する性能を実証した。
論文 参考訳（メタデータ） (2024-09-17T15:11:39Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - 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) - 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) - Biological neurons act as generalization filters in reservoir computing [0.0]
貯留層計算(Reservoir computing)は、時系列データを処理するための高次元非線形システムの過渡ダイナミクスを変換する機械学習パラダイムである。
ここでは、オプトジェネティクスと蛍光カルシウムイメージングを用いて、培養生体神経ネットワーク(BNN)の多細胞応答を記録する。
線形デコーダを用いて静的な入力パターンの分類にモジュールBNNを用いることができ、BNNのモジュラリティは分類精度と正に相関することを示す。
論文 参考訳（メタデータ） (2022-10-06T13:32:26Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Recurrent Neural Network Learning of Performance and Intrinsic
Population Dynamics from Sparse Neural Data [77.92736596690297]
本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。
提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。
注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
論文 参考訳（メタデータ） (2020-05-05T14:16:54Z)
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。