为尖端神经网络提供脑启发的架构
Fengzhen Tang1, Junhuai Zhang1,2, Chi Zhang1,2
1State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Nanta Street 114, Shenyang 110016, China.
Biomimetics (Basel, Switzerland)
|October 25, 2024
概括
本研究介绍了一种新型的自适应编码尖端神经网络 (SNN),该神经网络集成了输入处理,提高了图像分类任务中的生物可信性和性能.
科学领域:
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 尖端神经网络 (SNN) 模仿生物神经元,但通常需要单独的输入预处理,冒着信息丢失的风险.
- 生物神经系统在没有明确的预处理步骤的情况下处理信息,并利用并行路径.
研究的目的:
- 开发一个生物可信的SNN,将输入编码集成到网络架构中.
- 通过纳入由神经系统启发的并行处理来增强SNN性能.
主要方法:
- 提出了一个具有并行架构的自适应编码SNN.
- 通过卷积运算直接集成输入编码到SNN.
- 实施了两个相同的信息处理的平行分支.
主要成果:
- 拟议的SNN接受实值输入,并自动将其转换为尖峰.
- 在多个图像分类任务中取得了竞争性表现.
- 证明了集成编码和并行架构的有效性.
结论:
- 新的SNN架构有效地解决了与单独预处理相关的信息丢失.
- 综合的平行方法提高了SNN的性能和生物可信性.
- 这种自我适应的编码SNN为先进的神经网络设计提供了一个有前途的方向.


