論文の概要: Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing
- arxiv url: http://arxiv.org/abs/2602.05737v1
- Date: Thu, 05 Feb 2026 15:02:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.991137
- Title: Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing
- Title（参考訳）: 生体貯留層計算によるニューロインスパイアされた視覚パターン認識
- Authors: Luca Ciampi, Ludovico Iannello, Fabrizio Tonelli, Gabriele Lagani, Angelo Di Garbo, Federico Cremisi, Giuseppe Amato,
- Abstract要約: In vitro培養皮質ニューロンのネットワークが物理的貯水池として機能する貯水池コンピューティングへの神経刺激型アプローチを提案する。
我々は,MNISTデータセットから,ポイントワイド刺激から指向バー,時計桁のような形状,手書き桁に至るまで,難易度を増大させる一連のタスクでシステムを評価する。
- 参考スコア（独自算出の注目度）: 6.035352293182252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a neuro-inspired approach to reservoir computing (RC) in which a network of in vitro cultured cortical neurons serves as the physical reservoir. Rather than relying on artificial recurrent models to approximate neural dynamics, our biological reservoir computing (BRC) system leverages the spontaneous and stimulus-evoked activity of living neural circuits as its computational substrate. A high-density multi-electrode array (HD-MEA) provides simultaneous stimulation and readout across hundreds of channels: input patterns are delivered through selected electrodes, while the remaining ones capture the resulting high-dimensional neural responses, yielding a biologically grounded feature representation. A linear readout layer (single-layer perceptron) is then trained to classify these reservoir states, enabling the living neural network to perform static visual pattern-recognition tasks within a computer-vision framework. We evaluate the system across a sequence of tasks of increasing difficulty, ranging from pointwise stimuli to oriented bars, clock-digit-like shapes, and handwritten digits from the MNIST dataset. Despite the inherent variability of biological neural responses-arising from noise, spontaneous activity, and inter-session differences-the system consistently generates high-dimensional representations that support accurate classification. These results demonstrate that in vitro cortical networks can function as effective reservoirs for static visual pattern recognition, opening new avenues for integrating living neural substrates into neuromorphic computing frameworks. More broadly, this work contributes to the effort to incorporate biological principles into machine learning and supports the goals of neuro-inspired vision by illustrating how living neural systems can inform the design of efficient and biologically grounded computational models.
- Abstract（参考訳）: 本稿では,in vitro培養皮質ニューロンのネットワークが物理的貯水池として機能する,貯水池コンピューティング(RC)に対する神経刺激型アプローチを提案する。
我々の生物貯水池コンピューティング(BRC)システムは、ニューラルネットワークを近似するために、人工的なリカレントモデルに頼るのではなく、リビングニューラルネットワークの自然および刺激誘発活性を計算基板として利用している。
高密度多電極アレイ(HD-MEA)は、数百のチャネルで同時刺激と読み出しを提供し、入力パターンは選択された電極を介して配信される。
次に、線形読み出し層(単層パーセプトロン)がこれらの貯水池状態の分類のために訓練され、生きたニューラルネットワークがコンピュータビジョンフレームワーク内で静的な視覚的パターン認識タスクを実行できる。
我々は,MNISTデータセットから,ポイントワイド刺激から指向バー,時計桁のような形状,手書き桁に至るまで,難易度を増大させる一連のタスクでシステムを評価する。
ノイズ、自発的な活動、セッション間差異から生じる生物学的神経応答の固有の変動にもかかわらず、システムは常に正確な分類をサポートする高次元の表現を生成する。
これらの結果は、in vitroの皮質ネットワークが静的な視覚パターン認識のための効果的な貯水池として機能し、生きた神経基質をニューロモルフィックコンピューティングフレームワークに統合するための新たな道を開くことを証明している。
より広範に、この研究は、生物学的原理を機械学習に組み込むことに寄与し、生きたニューラルネットワークが、効率的で生物学的に基礎付けられた計算モデルの設計にどのように役立つかを説明することによって、神経に触発されたビジョンの目標をサポートする。
関連論文リスト
- From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification [5.786141965873944]
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。
論文 参考訳（メタデータ） (2025-10-07T07:36:36Z) - 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) - 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) - 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) - 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) - 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) - 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。