复杂的尖端神经网络通过在随机攻击下受伤抵抗来评估

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.
• 网络科学 网络科学

背景情况:

• 大脑启发的模型对人工智能至关重要,但与环境复杂性作斗争,缺乏生物可信性.
• 提高人工神经网络的伤害抵抗力对于强大的AI系统至关重要.
• 人类大脑在受伤时表现出自我适应能力,为弹性AI提供蓝图.

研究的目的:

• 提出一种由大脑启发的新型模型,复杂的尖端神经网络 (Com-SNN),具有增强的生物可信性和抗损伤能力.
• 研究Com-SNN内部的伤害抵抗机制,重点关注突触可塑性和网络拓.
• 在模拟攻击下,比较Com-SNN对替代尖端神经网络 (SNN) 的伤害抵抗力.

主要方法:

• 开发了Com-SNN模型,其拓受到生物大脑网络的启发,利用Izhikevich神经元模型和时间延迟的突触可塑性.
• 使用两个指标评估了Com-SNN受伤阻力,并将其与模拟神经元去除 (随机攻击) 下的其他SNN进行了比较.
• 在随机攻击期间分析了Com-SNN的突触可塑性动态和拓特征,以了解弹性机制.

主要成果:

• 与具有替代拓的SNN相比,Com-SNN表现出明显优越的伤害抵抗力.
• 实验结果证实了拟议模型在提高尖端神经网络的整体伤害抵抗能力方面的潜力.
• 该研究成功地证明了Com-SNN在模拟物理攻击下增强的弹性.

结论:

• 突触可塑性被确定为一个基本因素,有助于大脑灵感模型的伤害抵抗.
• 网络拓在确定尖端神经网络的弹性和强度方面发挥着至关重要的作用.
• 这些发现为开发更强大,生物可信的人工智能系统提供了洞察力.