論文の概要: Petri Net Description of Biological Neural Circuits for Fast Hardware Prototyping

• arxiv url: http://arxiv.org/abs/2608.20147v1
• Date: Thu, 20 Aug 2026 15:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.620397
• Title: Petri Net Description of Biological Neural Circuits for Fast Hardware Prototyping
• Title（参考訳）: 高速プロトタイピングのための生体神経回路のペトリネット記述
• Abstract要約: 生体神経回路シミュレーションへの現在のアプローチは、固定時間ステップの数値積分、ハードウェアが提案する精度制限、リアルタイム制約下でのイベント駆動スパイキングダイナミクスのタイミング正当性を保証することができないことによる制約がある。 本稿では,ニューロン,シナプス,スパイクイベントをT-timed Petriネットとしてモデル化し,これらの制限を克服する生体神経回路のペトリネット記述を提案する。 このモデルをテストするために, フィードバック抑制, 横方向抑制, 階層型特徴検出器の3つの模擬マイクロ回路の結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current approaches to simulating biological neural circuits, whether on general-purpose hardware or dedicated neuromorphic platforms, remain constrained by fixed-timestep numerical integration, hardware-imposed precision limits, and an inability to guarantee timing correctness for event-driven spiking dynamics under real-time constraints. Here, we propose a Petri net description of biological neural circuits that overcomes these limitations by modeling neurons, synapses, and spike events as a T-timed Petri net with formally verifiable timing semantics, enabling deadline-guaranteed real-time execution and analytically tractable correspondence to continuous-time leak-integrate-and-fire dynamics, independent of the underlying integration timestep. To test the model, we present the results of three simulated microcircuits: feedback inhibition, lateral inhibition, and hierarchical feature detector. The Petri neuron reproduces the expected dynamical signatures of each circuit while providing formally bounded timing guarantees throughout, with worst-case response times matching analytical predictions across all three cases.
• Abstract（参考訳）: 汎用ハードウェアでも、専用ニューロモルフィックプラットフォームでも、生体神経回路をシミュレーションするための現在のアプローチは、固定時間ステップの数値積分、ハードウェアが提案する精度制限、リアルタイム制約下でのイベント駆動スパイキングダイナミクスのタイミング正しさを保証できないことによる制約が残っている。 本稿では,ニューロン,シナプス,スパイクイベントをT-timed Petriネットとしてモデル化することで,これらの制限を克服する生体神経回路のペトリネット記述を提案する。 このモデルをテストするために, フィードバック抑制, 横方向抑制, 階層型特徴検出器の3つの模擬マイクロ回路の結果を示す。 ペトリニューロンは、予想される各回路の動的シグネチャを再現し、すべてのケースで解析的予測に一致する最悪の応答時間とともに、公式な境界付けられたタイミング保証を提供する。

関連論文リスト

• Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
  制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。 本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。 我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
  論文  参考訳（メタデータ） (2026-03-31T17:30:25Z)
• Determinism in the Undetermined: Deterministic Output in Charge-Conserving Continuous-Time Neuromorphic Systems with Temporal Stochasticity [15.346559359976412]
  我々は、ニューラルネットワーク(SNN)をスパイクするための統合された連続時間フレームワークを開発する。 この写像は非巡回ネットワークにおけるスパイクタイミングに厳密に不変であることを示す。 我々はこれらの電荷保存SNNと量子化された人工ニューラルネットワークの正確な表現対応を確立する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:04Z)
• 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)
• An Exact Gradient Framework for Training Spiking Neural Networks [0.7366405857677227]
  スパイクニューラルネットワークは本質的に、離散スパイクイベントの正確なタイミングを情報処理に頼っている。 本稿では、シナプス重みと伝送遅延に関して正確な損失勾配を計算するイベント駆動学習フレームワークを提案する。 複数のベンチマークの実験では、既存の手法と比較して精度(最大7%)、タイミング精度、堅牢性が顕著に向上した。
  論文  参考訳（メタデータ） (2025-07-08T11:55:27Z)
• 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)
• Continuous signal sparse encoding using analog neuromorphic variability [0.0]
  時間信号符号化は低消費電力で常時オンのシステムに不可欠である。 本研究では, 内因性神経の変動を利用して, 連続的な刺激を強固にエンコードする生物学的原理による枠組みを提案する。 本手法は, アナログニューロモルフィック基板上での時間データの低消費電力低遅延処理に適していることを示す。
  論文  参考訳（メタデータ） (2025-01-23T09:29:40Z)
• 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)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Latent Equilibrium: A unified learning theory for arbitrarily fast computation with arbitrarily slow neurons [0.7340017786387767]
  遅いコンポーネントのネットワークにおける推論と学習のための新しいフレームワークであるLatent Equilibriumを紹介する。 我々は, ニューロンとシナプスのダイナミクスを, 将来的なエネルギー関数から導出する。 本稿では,大脳皮質微小循環の詳細なモデルに我々の原理を適用する方法について述べる。
  論文  参考訳（メタデータ） (2021-10-27T16:15:55Z)
• Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons with Balanced Synapses [0.27998963147546135]
  混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。 ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-10T12:04:03Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)

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。