通过神经进化,由大脑启发的小世界神经网络的出现
Wenxuan Pan1,2, Feifei Zhao1, Bing Han1,2
1Brain-inspired Cognitive Intelligence Lab, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China.
iScience
|February 8, 2024
概括
本研究介绍了一种进化液态机器 (ELSM),该机器可以创建具有高效结构的大脑启发的尖端神经网络 (SNN). 该ELSM方法在多个任务中实现了高精度,模仿大脑.
科学领域:
- 计算神经科学是一种神经科学.
- 人工智能的人工智能
- 网络科学 网络科学
背景情况:
- 大脑的效率和低能耗与其小世界拓学和关键动态有关.
- 目前,尖端神经网络 (SNN) 的性能驱动的结构演变缓慢,忽略了类似大脑的结构特征.
研究的目的:
- 开发一种新的方法,在SNN中演变出由大脑启发的高效结构.
- 将小世界特性和关键性整合到SNN的进化过程中.
主要方法:
- 引入一个多目标的进化液态状态机器 (ELSM).
- ELSM将小世界系数和关键性结合在一起,以指导结构演变.
- 在NMNIST,MNIST和时尚-MNIST数据集上测试ELSM.
主要成果:
- 在各个任务中,ELSM表现出一致和可比的性能.
- 在NMNIST上获得了97.23%的准确性,在MNIST (98.12%) 和时尚-MNIST (88.81%) 上表现优于标准LSM模型.
- 观察到类似大脑的拓学的自发进化:枢纽节点,短路径,长尾度分布和社区.
结论:
- 该ELSM成功地将反复出现的SNN演变为受大脑启发的,节能结构.
- 在多个任务中表现出多功能性和开发适应性通用人工智能的潜力.
- 突出了小世界拓学和批判性在设计高效神经网络中的重要性.
