Campos receptivos espacio-temporales covariantes para las redes neuronales de picos

Área de la Ciencia:

• Neurociencia computacional
• Inteligencia artificial
• Procesamiento de señales

Sus antecedentes:

• Los sistemas nerviosos biológicos ofrecen un plan para una computación más eficiente.
• La ingeniería neuromórfica busca optimizar el hardware y los algoritmos simultáneamente.
• Las implementaciones neuromórficas actuales carecen de teorías de guía para un diseño eficiente.

Objetivo del estudio:

• Presentar un modelo computacional basado en principios para sistemas neuromórficos.
• Desarrollar una teoría para el procesamiento eficiente de señales espacio-temporales en hardware neuromórfico.
• Mejorar la capacitación de las redes neuronales de picos para la visión basada en eventos.

Principales métodos:

• Desarrolló un modelo basado en campos receptivos espacio-temporales utilizando núcleos gaussianos afines y modelos de integrador y disparo con fugas.
• Aseguró la covarianza del modelo a las transformaciones de escala espacial y temporal.
• Aplicó el modelo como una prioridad en una tarea de visión basada en eventos utilizando redes de spiking.

Principales resultados:

• Se ha demostrado la covarianza teórica con la escala espacial y temporal, reflejando el procesamiento visual de los mamíferos.
• Mostró una mejora significativa en la capacitación de redes de picos para tareas de visión basadas en eventos.
• Estableció un enfoque teóricamente fundamentado para el procesamiento de señales espacio-temporales.

Conclusiones:

• El modelo propuesto proporciona un marco teóricamente sólido para los sistemas neuromórficos.
• Este trabajo une la teoría de escala-espacio y la neurociencia computacional para el procesamiento eficiente de señales.
• Los hallazgos son directamente aplicables a la visión basada en eventos y se pueden extender a otras tareas espacio-temporales.