論文の概要: Dynamic neural manifolds for flexible closed-loop control on neuromorphic hardware
- arxiv url: http://arxiv.org/abs/2607.07373v1
- Date: Wed, 08 Jul 2026 13:05:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.387824
- Title: Dynamic neural manifolds for flexible closed-loop control on neuromorphic hardware
- Title（参考訳）: ニューロモルフィックハードウェア上のフレキシブル閉ループ制御のための動的ニューラル多様体
- Abstract要約: スパイキングネットワークモデルは、連続神経活動の側面と多様体幾何学の特徴を結びつける。
実時間閉ループ制御のためのSpiNNaker 2チップの実装について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In biological circuits, sequential neural activity evolves along dynamic, low-dimensional manifolds to enable flexible behavior. Spiking network models link aspects of this sequential activity to features of manifold geometry through specific circuit mechanisms, making dynamic neural manifolds parameterizable, and thereby offering an explainable framework for neural computation. Extending this framework to neuromorphic engineering, we present an implementation on the SpiNNaker 2 chip for real-time, closed-loop control. By allowing sensory inputs to modulate heterogeneous inhibition, gain, and transient currents, our architecture drives rapid subspace rotations to switch between behaviors, as well as fine-grained trajectory control within them. We validate this via a robotic simulation where an agent uses sensory feedback to dynamically reconfigure its manifold geometry to navigate through a maze. Our results establish dynamic manifolds as a feasible approach for explainable neuromorphic architectures and a substrate for investigating biological neural dynamics.
- Abstract（参考訳）: 生物学的回路では、シーケンシャルな神経活動は動的で低次元の多様体に沿って進化し、柔軟な振る舞いを可能にする。
スパイキングネットワークモデルは、このシーケンシャルなアクティビティの側面を、特定の回路機構を通じて多様体幾何学の特徴と結びつけ、動的ニューラルネットワークをパラメータ化可能とし、それによってニューラルネットワークのための説明可能なフレームワークを提供する。
このフレームワークをニューロモルフィックエンジニアリングに拡張し、リアルタイム閉ループ制御のためのSpinNNaker 2チップの実装を提案する。
センサ入力が不均一な抑制、利得、過渡電流を変調できるようにすることで、我々のアーキテクチャは高速なサブスペース回転を駆動し、挙動を切り替え、その内部の微粒な軌道制御を行う。
エージェントが感覚フィードバックを使用して、その多様体の幾何学を動的に再構成し、迷路をナビゲートするロボットシミュレーションを用いてこれを検証する。
本研究は, 動的多様体を, 説明可能なニューロモルフィックアーキテクチャと, 生物学的神経力学研究のための基盤として確立した。
関連論文リスト
- A neural-astrocyte architecture implements a hybrid automaton for evidence accumulation [0.0]
アストロサイトは神経細胞以外のグリア細胞であり、神経計算における役割により広く注目を集めている。
本研究では、アストロサイトが強化学習環境において、ニューラルネットワークが文脈を推測する能力を増強するメカニズムについて検討する。
論文 参考訳（メタデータ） (2026-09-14T18:49:14Z) - Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。
TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。
我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
論文 参考訳（メタデータ） (2026-06-19T10:18:24Z) - 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) - Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。
本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文 参考訳（メタデータ） (2025-03-20T12:28:08Z) - IP$^{2}$-RSNN: Bi-level Intrinsic Plasticity Enables Learning-to-learn in Recurrent Spiking Neural Networks [20.88195975299024]
2レベル内在性可塑性を有する繰り返しスパイクニューラルネットワーク(IP$2$-RSNN)を開発した。
以上の結果から,RSNNにおけるL2Lの実現には,両レベルの内在性可塑性が重要な役割を担っていることが示唆された。
論文 参考訳（メタデータ） (2025-01-24T14:45:03Z) - 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) - A Predictive Coding Account for Chaotic Itinerancy [68.8204255655161]
予測符号化を実装したリカレントニューラルネットワークが,入力雑音の存在下でカオス的反復性に類似したニューラルトラジェクトリを生成する方法を示す。
本モデルを用いて,無作為かつ非依存なトラジェクタスイッチングトラジェクトリを生成する2つのシナリオを提案する。
論文 参考訳（メタデータ） (2021-06-16T16:48:14Z) - 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) - Deep Reinforcement Learning for Neural Control [4.822598110892847]
本稿では,深部強化学習に基づくニューラルサーキットの制御手法を提案する。
ニューラルネットワークとそのコネクトームをグリッドワールドにマッピングし、目的とする動作を達成するために必要なアクションを推論する。
ケモタキシーの制御のために神経ペプチド電流とシナプス構造を推定した。
論文 参考訳（メタデータ） (2020-06-12T17:41:12Z)
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。