通过大脑启发的自适应动力学来增强储水库计算

科学领域:

• 计算神经科学是一种计算神经科学.
• 人工智能的人工智能是人工智能.
• 机器学习是机器学习.

背景情况:

• 储计算机 (RCs) 提供高效的计算和由大脑启发的原理.
• RCs通过固定内部连接来简化训练,但对超参数敏感.
• 标准的RC忽视了关键的刺激/抑制 (E-I) 神经元信号平衡.

研究的目的:

• 调查E-I平衡对RC绩效的影响.
• 引入E-I平衡的自适应机制.
• 在各种任务中提高RC的稳定性和性能.

主要方法:

• 分析了不同E-I平衡制度的RC绩效.
• 开发了一个自适应机制,以在本地调整E/I平衡.
• 在目标神经元发射速率中包含大脑启发的异质性.

主要成果:

• 在平衡状态或稍微过度抑制状态下,RCs的性能最好.
• 自适应机制在记忆和预测任务中提高了高达130%的性能.
• 射速的异质性降低了超参数灵敏度,提高了任务的多功能性.

结论:

• 在RC中,E-I平衡的动态适应优于静态优化.
• 大脑启发的机制增强RC性能,稳定性和计算理解.
• 自适应的RCs代表了神经计算的一个有希望的方向.