Retropropagación a través del espacio, el tiempo y el cerebro

Área de la Ciencia:

• Neurociencia Computacional
• Inteligencia Artificial

Sus antecedentes:

• Las redes neuronales enfrentan desafíos en la asignación de crédito debido a las restricciones de localidad espacio-temporal.
• Los algoritmos de retropropagación existentes a menudo violan estos principios de localidad.

Objetivo del estudio:

• Introducir el Equilibrio Latente Generalizado (GLE) para la asignación de crédito espacio-temporal totalmente local.
• Desarrollar un marco para el aprendizaje eficiente en redes neuronales físicas y dinámicas.

Principales métodos:

• Derivamos la dinámica neuronal a partir de una función de energía basada en desajustes locales.
• Utilizamos la estacionariedad y el descenso de gradiente para la dinámica de parámetros.
• Explotamos la morfología dendrítica para el procesamiento de información y la codificación prospectiva.

Principales resultados:

• Desarrollamos una aproximación en línea de la retropropagación a través del espacio y el tiempo.
• Demostramos el cálculo de convoluciones espacio-temporales en la dirección hacia adelante.
• Mostramos la aproximación de variables adjuntas en la corriente hacia atrás.

Conclusiones:

• El GLE proporciona un mecanismo biológicamente plausible para la asignación de crédito en redes neuronales.
• Este marco apoya el aprendizaje continuo con plasticidad sináptica local.
• La codificación prospectiva mejora las capacidades computacionales dentro de neuronas individuales.