Marco de Predicción Basado en Aprendizaje Automático para Dinámicas Neuromórficas Complejas de Neuronas Memristivas...

Área de la Ciencia:

• Neurociencia y Ciencia Computacional
• Inteligencia Artificial y Aprendizaje Automático

Sus antecedentes:

• La computación convencional enfrenta limitaciones, lo que impulsa el interés en los sistemas neuromórficos.
• Las neuronas memristivas exhiben dinámicas complejas, lo que dificulta la predicción con información de estado parcial.

Objetivo del estudio:

• Desarrollar un marco híbrido de aprendizaje automático para predecir la dinámica del sistema neuromórfico a partir de la observabilidad parcial del estado.
• Abordar las limitaciones prácticas de las mediciones completas del estado del sistema en hardware neuromórfico del mundo real.

Principales métodos:

• Integración de la Computación de Reservorio Modificada de Próxima Generación (MNGRC) con regresión XGBoost.
• Una arquitectura de predicción de doble vía: NGRC para dinámicas temporales, XGBoost para estimación de estado.
• Validación experimental utilizando un modelo de neurona memristiva de tercer orden.

Principales resultados:

• Predicción precisa de diversos patrones neuromórficos, incluidos los 18 patrones neuronales distintos cerca del borde del caos.
• Reconstrucción exitosa de estímulos de entrada a partir de mediciones limitadas.
• Capacidad demostrada con requisitos de sensor significativamente reducidos.

Conclusiones:

• El marco híbrido permite la predicción precisa de dinámicas neuromórficas complejas a partir de estados limitados, superando las restricciones prácticas de hardware.
• Este enfoque es un avance clave para la IA de borde y la computación inspirada en el cerebro, donde el acceso completo al estado a menudo es imposible.