論文の概要: BioOSS: A Bio-Inspired Oscillatory State System with Spatio-Temporal Dynamics

• arxiv url: http://arxiv.org/abs/2510.10790v1
• Date: Sun, 12 Oct 2025 20:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.107429
• Title: BioOSS: A Bio-Inspired Oscillatory State System with Spatio-Temporal Dynamics
• Title（参考訳）: BioOSS: 時空間ダイナミクスを用いたバイオインスパイアされた振動状態システム
• Authors: Zhongju Yuan, Geraint Wiggins, Dick Botteldooren,
• Abstract要約: BioOSSは、ニューラル処理に不可欠な波状伝播ダイナミクスをエミュレートするように設計されている。 このモデルは減衰と伝播速度のトレーニング可能なパラメータを組み込んでおり、タスク固有の時間構造への柔軟な適応を可能にしている。 合成タスクと実世界のタスクの両方でBioOSSを評価し、代替アーキテクチャと比較して優れた性能と高い解釈性を示す。
• 参考スコア（独自算出の注目度）: 6.273703979947789
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Today's deep learning architectures are primarily based on perceptron models, which do not capture the oscillatory dynamics characteristic of biological neurons. Although oscillatory systems have recently gained attention for their closer resemblance to neural behavior, they still fall short of modeling the intricate spatio-temporal interactions observed in natural neural circuits. In this paper, we propose a bio-inspired oscillatory state system (BioOSS) designed to emulate the wave-like propagation dynamics critical to neural processing, particularly in the prefrontal cortex (PFC), where complex activity patterns emerge. BioOSS comprises two interacting populations of neurons: p neurons, which represent simplified membrane-potential-like units inspired by pyramidal cells in cortical columns, and o neurons, which govern propagation velocities and modulate the lateral spread of activity. Through local interactions, these neurons produce wave-like propagation patterns. The model incorporates trainable parameters for damping and propagation speed, enabling flexible adaptation to task-specific spatio-temporal structures. We evaluate BioOSS on both synthetic and real-world tasks, demonstrating superior performance and enhanced interpretability compared to alternative architectures.
• Abstract（参考訳）: 今日のディープラーニングアーキテクチャは、主に知覚論モデルに基づいており、生体ニューロンの振動力学特性を捉えていない。 振動系は近年、神経行動に類似していることから注目されているが、自然神経回路で観察される複雑な時空間相互作用をモデル化するには至っていない。 本稿では,特に前頭前皮質 (PFC) において, 複雑な活動パターンが出現する, 神経処理に不可欠な波状伝播ダイナミクスをエミュレートするバイオインスパイアされた振動状態システム(BioOSS)を提案する。 BioOSSは2つの相互作用するニューロンからなる:pニューロンは、皮質の錐体細胞にインスパイアされた簡易な膜電位様単位を表現し、oニューロンは伝播速度を制御し、活動の側面の拡散を調節する。 局所的な相互作用を通じて、これらのニューロンは波状伝播パターンを生成する。 このモデルは減衰と伝播速度のトレーニング可能なパラメータを組み込んでおり、タスク固有の時空間構造への柔軟な適応を可能にする。 合成タスクと実世界のタスクの両方でBioOSSを評価し、代替アーキテクチャと比較して優れた性能と高い解釈性を示す。

関連論文リスト

• Pendulum Model of Spiking Neurons [0.0]
  そこで本研究では, 減衰・駆動振子の動力学に基づく生物学的刺激によるスパイキングニューロンのモデルを提案する。 本稿では,Spyke-Timing Dependent Plasticity (STDP)学習ルールにより,単一ニューロンの動的解析を行い,モデルをマルチニューロン層に拡張する。
  論文  参考訳（メタデータ） (2025-07-29T18:21:51Z)
• 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)
• Exploring Gain-Doped-Waveguide-Synapse for Neuromorphic Applications: A Pulsed Pump-Signal Approach [0.0]
  本稿では、入力プローブ信号の非線形パルス変換がポンプ-プローブ構成下でどのように起こるかを示す、シナプス用導波路ダイナミクスのゲインの概念を紹介する。 励起状態における非同期スパイキングポンプ技術とイオン密度の複雑な相互作用を利用して、本手法は自然神経機能を反映する事象駆動応答を生成する。
  論文  参考訳（メタデータ） (2025-07-08T12:29:48Z)
• 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)
• 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)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• 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)

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。