Aprendizaje en línea lineal-memoria agnóstico al modelo en redes neuronales de espigas

Área de la Ciencia:

• Neurociencia Computacional
• Inteligencia Artificial
• Ingeniería Neuromórfica

Sus antecedentes:

• Las redes neuronales de espigas (SNN) son prometedoras para la dinámica cerebral y la inteligencia neuromórfica.
• Los sistemas de aprendizaje en línea existentes para SNN enfrentan desafíos con la memoria, la fidelidad biológica y la automatización.
• Existe la necesidad de un aprendizaje en línea eficiente, escalable y automatizado para SNN.

Objetivo del estudio:

• Presentar BrainTrace, un novedoso sistema de aprendizaje en línea automatizado, agnóstico al modelo y de memoria lineal para SNN.
• Abordar las limitaciones de los métodos actuales de aprendizaje en línea de SNN.
• Permitir el modelado y análisis de SNN a gran escala.

Principales métodos:

• BrainTrace estandariza la especificación del modelo SNN para diversas dinámicas neuronales y sinápticas.
• Se implementa una regla de aprendizaje en línea de memoria lineal aprovechando las propiedades intrínsecas de la dinámica de espigas.
• Un compilador automatizado genera código optimizado de aprendizaje en línea para modelos SNN definidos por el usuario.

Principales resultados:

• BrainTrace demuestra un fuerte rendimiento de aprendizaje en diversas dinámicas y tareas con baja huella de memoria y alto rendimiento computacional.
• El sistema permite el ajuste en línea de una SNN a escala de cerebro completo de Drosophila.
• La SNN de Drosophila ajustada recapitula con éxito la actividad funcional a nivel de región.

Conclusiones:

• BrainTrace reconcilia la generalidad, la eficiencia computacional y la usabilidad en el aprendizaje en línea de SNN.
• Proporciona una herramienta fundamental para el modelado de redes de espigas a gran escala.
• BrainTrace avanza en el desarrollo de la inteligencia neuromórfica y la investigación de la dinámica cerebral.