論文の概要: From communication to computation in neurons-on-a-chip: an in silico study of neurotopomorphic computing

• arxiv url: http://arxiv.org/abs/2610.06065v1
• Date: Mon, 05 Oct 2026 10:01:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:11:12.016822
• Title: From communication to computation in neurons-on-a-chip: an in silico study of neurotopomorphic computing
• Title（参考訳）: ニューロンオン・ア・チップにおける通信から計算へ--ニューロトポモルフィックコンピューティングのin silico研究
• Abstract要約: 本稿では,神経力学,機能的コミュニケーション,構造的サポートを通じてネットワーク状態を特徴付けるIC$3$を紹介する。 我々は、コンダクタンスベースのスパイクネットワークとして、9つのアーキテクチャを実装し、各アーキテクチャを周波数復号、時間次識別、フェードメモリでテストした。
• 参考スコア（独自算出の注目度）: 0.5753274939310764
• License:
• Abstract: Living neuronal networks transform inputs through recurrent cellular and population dynamics, yet it is unknown which network architecture supports which computation. Neurons-on-a-chip turn this question into a design problem because microchannels guide axonal growth and set the network architecture. We introduce IC$^3$, an Integrated Characterisation of Communication-Driven Computation, which characterizes network state through neuronal dynamics, functional communication, and structural support. We implemented nine architectures \textit{in silico} as conductance-based spiking networks and tested each on frequency decoding, temporal-order discrimination, and fading memory. Predominantly feedforward circuits decoded best. Sequential Chain and Microchannel Diode had the lowest IC$^3$ and recruited a third of reachable neurons, yet achieved the two highest scores on both classification tasks. Across architectures, higher IC$^3$ went with lower classification scores. We term this new direction \emph{neurotopomorphic computing}, in which the physical organisation of neuronal connectivity is engineered as part of the computing substrate.
• Abstract（参考訳）: リビングニューラルネットワークは、リカレントセルと人口動態を通して入力を変換するが、どのネットワークアーキテクチャがどの計算をサポートするかは不明である。 ニューロンオンチップは、マイクロチャネルが軸索の成長を誘導し、ネットワークアーキテクチャを設定するため、この問題を設計問題に変える。 IC$^3$は、神経力学、機能的コミュニケーション、構造的サポートを通じてネットワーク状態を特徴付ける通信駆動計算の統合的文字化である。 コンダクタンスベースのスパイクネットワークとして,9つのアーキテクチャを実装し,各アーキテクチャを周波数復号,時間次識別,フェードメモリで検証した。 フィードフォワード回路が最良に復号化されている。 シークエンシャルチェインとマイクロチャネルダイオードはIC$^3$が最も低く、到達可能なニューロンの3分の1をリクルートしたが、両方の分類タスクで2つの最高スコアを達成した。 アーキテクチャ全体で、より高いIC$^3$は低い分類スコアを持つ。 我々は、この新たな方向を、神経接続の物理的組織が計算基板の一部として設計される「emph{neurotopomorphic computing}」と呼ぶ。

関連論文リスト

• Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks [1.1968723443101348]
  大脳皮質形状の繰り返し計算の配線と機能的構造は、神経科学と機械学習の両方において中心的な問題である。 我々は、Cortical NetworksプログラムからMachine Intelligenceを通じてリリースされたデータを活用して、生物学的に基底付けられたリカレントニューラルネットワークを構築します。 以上の結果から, 大脳皮質の形状, 配線, 機能構造といった機械は, 再帰的ネットワーク構築の強力な帰納的基盤として活用できることが示唆された。
  論文  参考訳（メタデータ） (2026-06-12T21:53:59Z)
• 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)
• Intelligent Neural Networks: From Layered Architectures to Graph-Organized Intelligence [0.20305676256390928]
  我々は、ニューロンが内部記憶を持つ第一級エンティティであり、学習された通信パターンを持つパラダイムシフトであるIntelligent Neural Networks (INN)を紹介する。 標準のText8文字モデリングベンチマークでは、INNは1.705bit-Per-Character (BPC)を達成した。 この研究は、グラフ構造を持つニューロン中心の設計が単にバイオインスパイアされただけでなく、計算的に効果的であることを示した。
  論文  参考訳（メタデータ） (2025-11-27T23:59:29Z)
• Compositional Generalization Across Distributional Shifts with Sparse Tree Operations [77.5742801509364]
  我々は、微分可能木機械と呼ばれる統合されたニューロシンボリックアーキテクチャを導入する。 シンボル構造の疎ベクトル表現を用いることで,モデルの効率を大幅に向上する。 より一般的なseq2seq問題に制限されたtree2tree問題以外の適用を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T17:20:19Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity [0.0]
  本稿では,BrainScaleSニューロモルフィックアーキテクチャの第2世代について述べる。 バイオインスパイアされたスパイクニューラルネットワークプリミティブの、加速された物理的エミュレーションをサポートするカスタムアクセラレータコアと、密結合されたデジタルプロセッサと、イベントルーティングネットワークを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-01-26T17:13:46Z)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• IC Neuron: An Efficient Unit to Construct Neural Networks [8.926478245654703]
  より複雑な分布を表現できる新しいニューロンモデルを提案する。 層間衝突(IC)ニューロンは入力空間を異なる線形変換を表すために使用される複数の部分空間に分割する。 我々は、ICニューロンを完全連結(FC)、畳み込み、再帰構造に統合することにより、ICネットワークを構築する。
  論文  参考訳（メタデータ） (2020-11-23T08:36:48Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• Structural plasticity on an accelerated analog neuromorphic hardware system [0.46180371154032884]
  我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。 我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。 ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
  論文  参考訳（メタデータ） (2019-12-27T10:15:58Z)

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。