Impact of Synaptic Strength on Propagation of Asynchronous Spikes in Biologically Realistic Feed-Forward Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We consider the problem of reliable information propagation in the brain using biologically realistic models of spiking neurons. Biological neurons use action potentials, or spikes, to encode information. Information can be encoded by the rate of asynchronous spikes or by the (precise) timing of synchronous spikes. Reliable propagation of synchronous spikes is well understood in neuroscience and is relatively easy to implement by biologically-realistic models of neurons. However, reliable propagation of rate-modulated asynchronous spikes is poorly understood and remains difficult to implement by those models. In this paper, we formulate how a multi-layered feedforward neural network (mlFNN) comprising biologically-plausible model neurons enables propagation of time-varying asynchronous spikes. Gradient descent algorithm is developed to estimate the connectivity between neurons (i.e., synaptic weights) in mlFNN. Furthermore, we propose an abstract network model to replicate information propagation in mlFNN with substantially less complexity in estimating synaptic weights. The abstract model has a great implication for neuromorphic computing, as it can be implemented in neuromorphic circuits with less complexity, less energy, and more speed. Simulation results demonstrate that (i) the mlFNN with optimal synapses transmits asynchronous spikes reliably, and (ii) the abstract network model reproduces information propagation performed by mlFNN with high accuracy (coding fraction = 0.97 ± 0.02). We anticipate that this study will facilitate the design and implementation of biologically realistic mlFNN in neuromorphic circuits as well as cross-fertilizations between the fields of neuromorphic engineering, computational neuroscience and artificial intelligence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle