基于语音识别的fMRI-Spiking神经网络的抗损伤能力与随机攻击相对抗
Lei Guo1,2, Huan Liu1,2, Yihua Song1,2
1Tianjin Key Laboratory of Bioelectromagnetic Technology and Intelligent Health, School of Health Sciences and Biomedical Engineering, Hebei University of Technology, Tianjin 300131, China.
Biomimetics (Basel, Switzerland)
|July 25, 2025
概括
这项研究使用大脑成像数据引入了一个生物可信的尖端神经网络 (SNN),增强神经形态硬件中的模式识别稳定性,防止电磁干扰和随机攻击.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 类似大脑的模型对于模式识别至关重要,但在神经形态硬件中是脆弱的.
- 现有的模型缺乏生物可信性,限制了它们对环境干扰的强度.
- 人类大脑对外部攻击表现出了显著的适应能力.
研究的目的:
- 在神经形态硬件中增强类似大脑模型的稳定性.
- 将生物可信性纳入尖端神经网络 (SNN),以提高抗损伤能力.
- 研究生物可信性SNNs中抗损伤的背后机制.
主要方法:
- 构建了一个尖端神经网络 (SNN),其拓受到人类大脑fMRI数据 (fMRI-SNN) 的限制.
- 评估语音识别对随机攻击的准确性,以证明对损坏的抵抗力.
- 分析神经电气特征,突触可塑性和拓特征,以了解抗损伤机制.
主要成果:
- fMRI-SNN在随机攻击下的不同拓的SNN相比,显示出更高的语音识别准确性.
- 即使在攻击之后,fMRI-SNN也保持了高精度 (损伤比例低于30%).
- 确定神经电活动,突触可塑性和拓作为SNN损伤抵抗的关键因素.
结论:
- fMRI-SNN方法显著改善了神经形态系统中类似大脑模型的损伤抵抗力.
- 生物可信性,特别是来自fMRI的拓,对于提高模型稳定性至关重要.
- 了解像突触可塑性和电活动等神经机制是开发弹性AI的关键.
