論文の概要: Position Paper: Neurotransmitters as a Missing Dimension in Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2609.20083v1
• Date: Thu, 17 Sep 2026 11:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.247676
• Title: Position Paper: Neurotransmitters as a Missing Dimension in Artificial Neural Networks
• Title（参考訳）: 位置紙:ニューラルネットワークの欠落次元としての神経伝達物質
• Abstract要約: 我々は、神経調節の原則をANN設計に組み込むことは、有望で未発見の研究の方向性を表していると論じる。 哺乳類の脳の優れた適応性と可塑性に触発されて、神経伝達物質による神経調節が学習の第3軸を構成すると仮定する。
• 参考スコア（独自算出の注目度）: 9.616143896727769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial neural networks (ANNs), as core components of modern deep learning (DL) systems, lack the adaptive flexibility and long-term stability exhibited by biological systems. This limitation largely stems from the fact that conventional ANNs rely on uniform, local, and gradient-based parameter updates, while neglecting internal learning principles that are biological mechanisms such as neurotransmitters signalling or neuroplasticity. Consequently, many existing approaches focus on architectural expansion or mathematical fine-tuning techniques such as regularisation or parameter isolation. Inspired by the superior adaptability and plasticity of mammalian brains, we posit that neuromodulation with neurotransmitters constitutes a third axis of learning, complementary to neural activity and synaptic plasticity, and should be explicitly modelled in artificial neural networks. In this positional paper, we argue that incorporating neuromodulatory principles into ANN design represents a promising and underexplored research direction, and we advocate for greater attention to this perspective in the development of adaptive and continual learning systems.
• Abstract（参考訳）: 現代のディープラーニング(DL)システムのコアコンポーネントである人工知能ニューラルネットワーク(ANN)は、生物学的システムによって提示される適応性や長期的な安定性を欠いている。 この制限は、従来のANNが一様、局所的、勾配に基づくパラメータの更新に依存しているのに対して、神経伝達物質や神経可塑性などの生物学的メカニズムである内部学習原則を無視しているという事実に大きく起因している。 その結果、既存の多くのアプローチは、アーキテクチャ拡張や正規化やパラメータ分離のような数学的微調整技術に焦点を当てている。 哺乳類の脳の優れた適応性と可塑性に触発されて、神経伝達物質による神経調節は、学習の第3軸であり、神経活動とシナプス可塑性を補完するものであり、人工神経ネットワークで明示的にモデル化されるべきであると仮定する。 本稿では,神経調節の原則をANN設計に組み込むことが,有望かつ過小評価された研究の方向性であり,適応型・連続型学習システムの開発において,この視点にもっと注意を払うことを提唱する。

関連論文リスト

• Neuroplasticity in Artificial Intelligence -- An Overview and Inspirations on Drop In & Out Learning [42.086960710257564]
  我々は、神経新生、神経アポトーシス、神経可塑性が将来のAI進歩にどのように影響するかを探求する。 神経新生と再考のためのドロップイン'の概念を導入し,神経アポトーシスのための構造解析を行った。 我々は、この学際領域におけるより大きな研究努力を提唱することで締めくくる。
  論文  参考訳（メタデータ） (2025-03-27T12:09:04Z)
• Improving the adaptive and continuous learning capabilities of artificial neural networks: Lessons from multi-neuromodulatory dynamics [37.015600422825855]
  生物学的生物は、動的環境に適応しながら知識を取得し、移動し、保持する。 本研究は,生物学習システムの基本的特徴である神経調節が,破滅的な忘れ込みなどの課題にどのように対処できるかを考察する。 マルチスケールの神経調節を統合することで,生物学習と人工システムとのギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2025-01-12T10:10:01Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• 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)

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。