論文の概要: Amortized Inference of Neuron Parameters on Analog Neuromorphic Hardware

• arxiv url: http://arxiv.org/abs/2602.10763v1
• Date: Wed, 11 Feb 2026 11:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.839429
• Title: Amortized Inference of Neuron Parameters on Analog Neuromorphic Hardware
• Title（参考訳）: アナログニューロモルフィックハードウェアにおけるニューロンパラメータの記憶的推論
• Authors: Jakob Kaiser, Eric Müller, Johannes Schemmel,
• Abstract要約: 我々の研究は、非逐次シミュレーションに基づく推論アルゴリズムを用いて、償却されたニューラル密度推定器を提供する。 我々は,2値分類器を訓練して,興味のある状況で観測されるパラメータの組み合わせを予測することによって,大きなパラメータ空間を制約した。 本研究は,アナログニューロン回路のパラメータ化ツールとして,アモルタイズドシミュレーションに基づく推論の有効性を検証した。
• 参考スコア（独自算出の注目度）: 1.4777635405760978
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Our work utilized a non-sequential simulation-based inference algorithm to provide an amortized neural density estimator, which approximates the posterior distribution for seven parameters of the adaptive exponential integrate-and-fire neuron model of the analog neuromorphic BrainScaleS-2 substrate. We constrained the large parameter space by training a binary classifier to predict parameter combinations yielding observations in regimes of interest, i.e. moderate spike counts. We compared two neural density estimators: one using handcrafted summary statistics and one using a summary network trained in combination with the neural density estimator. The summary network yielded a more focused posterior and generated posterior predictive traces that accurately captured the membrane potential dynamics. When using handcrafted summary statistics, posterior predictive traces match the included features but show deviations in the exact dynamics. The posteriors showed signs of bias and miscalibration but were still able to yield posterior predictive samples that were close to the target observations on which the posteriors were constrained. Our results validate amortized simulation-based inference as a tool for parameterizing analog neuron circuits.
• Abstract（参考訳）: 本研究は, アナログニューロモルフィックBrainScaleS-2基板の適応型指数積分・発火ニューロンモデルの7つのパラメータの後方分布を近似したアモータイズされたニューラル密度推定器を実現するために, 非逐次シミュレーションに基づく推論アルゴリズムを用いた。 我々は2進分類器を訓練して大きなパラメータ空間を制約し、興味のある状態、すなわち適度なスパイク数で観測されるパラメータの組み合わせを予測する。 筆者らは2つのニューラル密度推定器を比較した。1つは手作り要約統計を用いており、もう1つはニューラル密度推定器と組み合わせて訓練された要約ネットワークを用いている。 要約ネットワークにより、より焦点を絞った後部および生成された後部予測トレースが得られ、膜電位のダイナミクスを正確に捉えた。 手作り要約統計を用いて、後続の予測トレースは含まれた特徴と一致するが、正確な力学の偏差を示す。 後肢は偏見と誤診の兆候を示したが、後肢が拘束された対象観察に近い後肢の予測標本を得ることができた。 本研究は,アナログニューロン回路のパラメータ化ツールとして,アモルタイズドシミュレーションに基づく推論の有効性を検証した。

関連論文リスト

• Deep learning with missing data [3.829599191332801]
  本稿では,既存の計算手法と組み合わせて適用可能なパターン埋め込みニューラルネットワーク(PENN)を提案する。 インプットされたデータに基づいてトレーニングされたニューラルネットワークに加えて、PENNは観察指標のベクトルを第2のニューラルネットワークに渡して、コンパクトな表現を提供する。 出力は第3のニューラルネットワークに結合され、最終的な予測が生成される。
  論文  参考訳（メタデータ） (2025-04-21T18:57:36Z)
• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Simulation-based Inference for Model Parameterization on Analog Neuromorphic Hardware [1.843681725117436]
  本研究では、BrainScaleS-2システム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定アルゴリズムの適合性について検討した。 SNPEアルゴリズムはシミュレーションに基づく推論手法のクラスに属し、モデルパラメータの後方分布を推定する。
  論文  参考訳（メタデータ） (2023-03-28T15:37:30Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。