論文の概要: The Neural Division of Labor: Biologically-Inspired Modular Architectures for Robust Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2608.08317v1
• Date: Sat, 08 Aug 2026 20:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.766466
• Title: The Neural Division of Labor: Biologically-Inspired Modular Architectures for Robust Neuromorphic Computing
• Title（参考訳）: 労働神経部門:ロバストなニューロモーフィックコンピューティングのための生物学的に着想を得たモジュラーアーキテクチャ
• Abstract要約: 本稿では,グローバルなシナプス絡みを排除したD-SNNについて報告する。 D-SNNは、MNIST、Fashion-MNIST、CIFAR-10/100ベンチマークの競合精度を達成する。 当社のネットワークは、最大で数桁の発射速度を低下させ、シナプス操作を少なくする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological neural systems achieve high efficiency and robustness through compartmentalized architectures. In contrast, modern artificial neural networks rely on globally entangled structures, which obscure decision logic and suffer from catastrophic forgetting. Here, we report a Decomposable Spiking Neural Network (D-SNN) that eliminates global synaptic entanglement by structurally isolating classification pathways into independent experts. Optimized via a bio-inspired push-pull loss function, the D-SNN achieves competitive accuracies on MNIST, Fashion-MNIST, and CIFAR-10/100 benchmarks. This modular approach matches the performance of fully dense networks while utilizing an order of magnitude fewer parameters. In addition, our networks operate with up to several orders of magnitude lower firing rates and fewer synaptic operations. Furthermore, physically severing connections between experts provides inherent protection against catastrophic forgetting during sequential learning. Crucially, these isolated pathways generate auditable neural signals, increasing decision transparency. This biomimetic, verifiable architecture establishes an efficient foundation for deploying deterministic neuromorphic intelligence in resource-constrained edge environments.
• Abstract（参考訳）: 生体神経システムは、複合化されたアーキテクチャを通して高い効率と堅牢性を達成する。 対照的に、現代の人工知能ニューラルネットワークは、決定論理の曖昧さと破滅的な忘れ込みに苦しむグローバルな絡み合った構造に依存している。 本稿では,独立した専門家に分類経路を構造的に分離することで,大域的なシナプス絡みを解消するD-SNNについて報告する。 バイオインスパイアされたプッシュプル損失関数によって最適化されたD-SNNは、MNIST、Fashion-MNIST、CIFAR-10/100ベンチマーク上での競合精度を達成する。 このモジュラーアプローチは、パラメータの桁数を桁違いに減らしながら、完全に高密度なネットワークの性能と一致する。 さらに、我々のネットワークは最大で数桁の発射速度で動作し、シナプス操作は少ない。 さらに、専門家間の物理的に断続的なつながりは、シーケンシャルラーニング中の破滅的な忘れに対する固有の保護を提供する。 重要なことに、これらの分離された経路は監査可能なニューラルシグナルを生成し、決定の透明性を増大させる。 このバイオミメティックで検証可能なアーキテクチャは、資源制約されたエッジ環境に決定論的ニューロモルフィックインテリジェンスを配置するための効率的な基盤を確立する。

関連論文リスト

• A Robust Point Cloud Analysis Framework Inspired By Primary Visual Cortex [78.18514741653475]
  本稿では,点クラウド解析のためのDendritic-Connected Continuous-Coupled Neural Network (DC-CCNN)アーキテクチャを提案する。 離散符号化と連続符号化を組み合わせることで、従来の多層パーセプトロンをより効率的で堅牢なBINNに置き換える。 本稿では,ニューロインスパイアされたRobost Modulation-and-Readout Module (NRMR)を導入し,機能安定性とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2026-06-12T09:17:52Z)
• Scalable Learning in Structured Recurrent Spiking Neural Networks without Backpropagation [6.572000338549628]
  Spiking Neural Networks (SNN)は、エネルギー効率と生物学的基盤計算のための有望なフレームワークを提供する。 本研究では, 局所的に密集した再帰層で構成された構造的多層再帰型SNNアーキテクチャを提案する。 長距離接続は概ね固定されており、ルーティング効率とハードウェアのスケーラビリティを保ち、シナプス適応は厳密に局所的な可塑性機構を用いて実行される。
  論文  参考訳（メタデータ） (2026-05-01T04:45:21Z)
• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• MorphSNN: Adaptive Graph Diffusion and Structural Plasticity for Spiking Neural Networks [20.207135245363386]
  スパイキングニューラルネットワーク(SNN)は現在、重大なボトルネックに直面している。 個々のニューロンは動的生物学的性質を示すが、マクロな構造は従来の接続パターンに限られている。 生体内非シナプス拡散と構造塑性にインスパイアされたバックボーンフレームワークであるMorphSNNを提案する。
  論文  参考訳（メタデータ） (2026-03-15T08:52:57Z)
• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Cannistraci-Hebb Training on Ultra-Sparse Spiking Neural Networks [10.30800655748035]
  スパイキングニューラルネットワーク(SNN)は本質的に時間的アクティベーション間隔を持つ。 既存の手法では、大きな性能損失を伴わずに超スパースネットワーク構造を達成できない。 本稿では,SNN のための新規かつ一般化可能な動的スパーストレーニングフレームワークである Cannistraci-Hebb Spiking Neural Network (CH-SNN) を提案する。
  論文  参考訳（メタデータ） (2025-11-05T07:59:19Z)
• Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
  深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。 本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。 本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
  論文  参考訳（メタデータ） (2025-09-27T11:11:30Z)
• SynA-ResNet: Spike-driven ResNet Achieved through OR Residual Connection [10.702093960098104]
  スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。 ORRC(Residual Connection)を通じて大量の冗長情報を蓄積する新しいトレーニングパラダイムを提案する。 次に,SynA(SynA)モジュールを用いて冗長情報をフィルタリングし,背骨における特徴抽出を促進するとともに,ショートカットにおけるノイズや無駄な特徴の影響を抑える。
  論文  参考訳（メタデータ） (2023-11-11T13:36:27Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Multi-scale Evolutionary Neural Architecture Search for Deep Spiking Neural Networks [7.271032282434803]
  スパイキングニューラルネットワーク(SNN)のためのマルチスケール進化型ニューラルネットワーク探索(MSE-NAS)を提案する。 MSE-NASは脳にインスパイアされた間接的評価機能であるRepresentational Dissimilarity Matrices(RDMs)を介して、個々のニューロンの操作、複数の回路モチーフの自己組織化の統合、およびグローバルなモチーフ間の接続を進化させる 提案アルゴリズムは,静的データセットとニューロモルフィックデータセットのシミュレーションステップを短縮して,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2023-04-21T05:36:37Z)
• Learning in Deep Neural Networks Using a Biologically Inspired Optimizer [5.144809478361604]
  人工神経(ANN)とスパイクニューラルネット(SNN)にインスパイアされた新しい生物モデルを提案する。 GRAPESは、ニューラルネットワークの各ノードにおけるエラー信号の重量分布依存変調を実装している。 生物学的にインスパイアされたこのメカニズムは,ネットワークの収束率を体系的に改善し,ANNやSNNの分類精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-04-23T13:50:30Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。