エッジ・オブ・カオスにおける3次メムリスタニューロンの複雑なニューロモルフィックダイナミクスのための機械学習ベース予測フレームワーク

科学分野:

• 神経科学と計算科学
• 人工知能と機械学習

背景:

• 従来のコンピューティングは限界に直面しており、ニューロモルフィックシステムへの関心が高まっている。
• メムリスタニューロンは複雑なダイナミクスを示し、部分状態情報による予測が困難である。

研究 の 目的:

• 部分状態観測性からのニューロモルフィックシステムのダイナミクスを予測するためのハイブリッド機械学習フレームワークを開発すること。
• 実際のニューロモルフィックハードウェアにおける完全なシステム状態測定の実際的な限界に対処すること。

主な方法:

• 修正次世代リザーバーコンピューティング（MNGRC）とXGBoost回帰の統合。
• 二重パス予測アーキテクチャ：時間的ダイナミクスにはNGRC、状態推定にはXGBoostを使用。
• 3次メムリスタニューロンモデルを用いた実験的検証。

主要な成果:

• カオス近傍の18種類のニューロンパターンを含む、多様なニューロモルフィックパターンの正確な予測。
• 限定的な測定値からの入力刺激の成功的な再構築。
• 大幅に削減されたセンサー要件での能力の実証。

結論:

• ハイブリッドフレームワークは、限定的な状態からの複雑なニューロモルフィックダイナミクスの正確な予測を可能にし、実際のハードウェア制約を克服する。
• このアプローチは、完全な状態アクセスが不可能なエッジAIおよび脳型コンピューティングにとって重要なブレークスルーである。