实时神经连接推断与前联想尖端驱动的尖端时间依赖的可塑性

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 计算机工程 计算机工程

背景情况:

• 了解神经元电路连接是高效的大脑类人工智能的关键.
• 之前使用2D记忆器数组的神经连接推断方法在大规模实施时面临挑战,原因是设备变化和在线参数适应需求.

研究的目的:

• 为大规模的神经形态系统提出一种新的神经连接推断方法.
• 为了有效推断,利用具有特定可塑性学习规则的单维尖端神经元.

主要方法:

• 开发了一种神经连接推断方法,采用一维尖端神经元.
• 实施了尖峰时间依赖的可塑性 (STDP) 和前突触尖峰驱动的STDP学习规则.
• 模拟了12个基础真实神经网络 (1D,8和64个神经元),并使用马修斯相关系数,灵敏度和特异性分析了推理准确度.

主要成果:

• 提出的学习过程有效地将所需的尖端神经元数量减少了50%.
• 在基础真相神经连接和推断的尖端神经网络之间观察到高相关性.
• 验证证明了前突触驱动的STDP规则对于大规模推断的稳定性和潜力.

结论:

• 拟议的方法为大规模神经形态系统中神经连接推断提供了一种有效的方法.
• 使用1D尖端神经元和特定的可塑性规则有助于硬件实现.
• 这项研究有助于推进类似大脑的人工智能和神经形态计算.