对于具有电聚合树突PEDOT连接的神经形状网络的结构可塑性
Kamila Janzakova1, Ismael Balafrej2,3, Ankush Kumar1
1Univ. Lille, CNRS, Centrale Lille, Univ. Polytechnique Hauts-de-France, UMR 8520-IEMN, 59000, Lille, France.
Nature communications
|December 8, 2023
概括
研究人员开发了一种新的神经网络开发方法,使用树突生长,模仿生物结构可塑性. 这种方法提高了复杂任务的网络稀疏性和计算性能.
科学领域:
- 神经科学是一个神经科学.
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 神经网络擅长解决复杂的问题,但最佳的拓设计具有挑战性.
- 生物系统利用神经发生和结构性可塑性来发展网络.
- 当前的人工神经网络主要依赖于突触可塑性,缺少用于自下而上的硬件.
研究的目的:
- 在神经网络开发中引入基于硬件的结构可塑性的方法.
- 为了实现模仿生物过程的人工神经网络的自下而上发展.
- 研究树突生长对网络拓和性能的影响.
主要方法:
- 使用PEDOT:PSS基纤维和AC电聚合用于树突生长.
- 在网络开发过程中通过纤维生长实现结构性可塑性.
- 通过软件模拟验证方法.
主要成果:
- 树突生长策略遵循了赫布斯原则.
- 实现了网络拓,提高了计算性能和稀疏的突触连接.
- 在分类任务中,网络稀疏度增加了多达61%.
- 在信号重建任务中展示了高达50%的网络稀疏性.
结论:
- PEDOT:PSS纤维的树突生长为人工神经网络中的结构可塑性提供了可行的硬件解决方案.
- 这种以生物为灵感的方法提高了网络效率和非微不足道任务的性能.
- 该方法为实现更具生物可信性和高效的人工智能提供了一条途径.
