論文の概要: Bio-inspired Learning and Decision-Making with Probabilistic In-Memory Computing Hardware: Part 1

• arxiv url: http://arxiv.org/abs/2609.11281v1
• Date: Thu, 10 Sep 2026 09:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.279948
• Title: Bio-inspired Learning and Decision-Making with Probabilistic In-Memory Computing Hardware: Part 1
• Title（参考訳）: 確率的インメモリ・コンピューティング・ハードウェアを用いたバイオインスパイアされた学習と意思決定:その1
• Abstract要約: 動物における学習と意思決定は、しばしばベイズ過程としてモデル化され、感覚的証拠は、不確実性に直面した振る舞いを導く以前の信念と統合される。 本論では, 内的エネルギー関数からのサンプリングにより, 雑音性ニューラルおよびシナプス力学が推論および学習を行う, 生物学的基盤の枠組みについて論じる。 我々は、大規模でエネルギー効率のよい確率的推論のソリューションとして、インメモリコンピューティングハードウェアのアナログが自然に現れることを強調する。
• 参考スコア（独自算出の注目度）: 7.594989550621794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning and decision-making in animals are often modeled as Bayesian processes, where sensory evidence is integrated with prior beliefs to guide behavior in the face of uncertainty. But what are the inherent neural dynamics that give rise to this ability, and how could they be replicated in computing systems? This abstract discusses a biologically grounded framework in which noisy neural and synaptic dynamics perform inference and learning via stochastic sampling from an internal energy function, capturing uncertainty over latent states and model parameters through neural and synaptic variability, respectively. This enables approaches such as predictive coding networks to account for epistemic uncertainty via Markov chain Monte Carlo sampling. Drawing a parallel between intrinsic noise in biological systems and electrical noise in emerging probabilistic analogue memory technologies, we highlight how analogue in-memory computing hardware naturally emerges as the solution for massively scalable and energy-efficient probabilistic inference.
• Abstract（参考訳）: 動物における学習と意思決定は、しばしばベイズ過程としてモデル化され、感覚的証拠は、不確実性に直面した振る舞いを導く以前の信念と統合される。 しかし、この能力を生み出す固有の神経力学と、それらがコンピュータシステムにどのように複製されるのか? 本論では, 内的エネルギー関数から確率的サンプリングを行い, ニューラルおよびシナプスの可変性を通じて, 潜伏状態およびモデルパラメータの不確かさを把握し, ノイズのあるニューラルとシナプスのダイナミクスが推論および学習を行う, 生物学的基盤の枠組みについて論じる。 これにより、予測符号化ネットワークのようなアプローチがマルコフ連鎖モンテカルロサンプリングによるてんかんの不確かさを考慮できる。 生物系における本質的なノイズと、出現する確率的アナログメモリ技術における電気的ノイズの並列性を図示し、大規模でエネルギー効率の良い確率的推論のソリューションとして、インメモリ・コンピューティング・ハードウェアがいかに自然に出現するかを強調した。

関連論文リスト

• Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing [6.035352293182252]
  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。
  論文  参考訳（メタデータ） (2026-02-05T15:02:07Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• Comparing noisy neural population dynamics using optimal transport distances [6.459101467083055]
  既存のメトリクスは、ノイズのある動的応答を持つニューラルネットワーク間の重要な違いを捉えるのに失敗する可能性があることを示す。 次に,雑音性ニューラルトラジェクトリの幾何を比較するためのメトリクスを提案する。 本研究では,運動系の異なる領域における神経応答モデルの比較と,テキスト・ツー・イメージ合成における潜時拡散モデルのダイナミクスの比較を行う。
  論文  参考訳（メタデータ） (2024-12-19T00:20:24Z)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Inferring Inference [7.11780383076327]
  我々は,大規模神経活動パターンから標準分散計算を推定するフレームワークを開発した。 確率的グラフィカルモデルに近似推論アルゴリズムを暗黙的に実装したモデル脳のための記録をシミュレートする。 全体として、このフレームワークはニューラル記録の解釈可能な構造を発見するための新しいツールを提供する。
  論文  参考訳（メタデータ） (2023-10-04T22:12:11Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Neural Sampling Machine with Stochastic Synapse allows Brain-like Learning and Inference [6.138129592577736]
  NNの新しいクラスであるNeural-Sampling-Machineを紹介し、シナプス接続におけるシナプス性を利用してベイズ推定を近似する。 クロスバーと金属状態の間のセレクタ要素の固有のスイッチングは、NSMのシナプス内の乗算ノイズをもたらすことを実験的に示した。 回転試料における標準画像分類タスクとデータ不確実性推定について報告する。
  論文  参考訳（メタデータ） (2021-02-20T23:45:24Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。