Notice bibliographique
Résumé
We create a Spiking Neural Network (SNN) architecture based on transforming the dynamics – Unstable Periodic Orbits (UPOs) – of a chaotic spiking neuron model to Neuronal Groups composed from Resonant Neurons. An input fed to the SNN will activate one of its neuronal groups. An activated neuronal group represents ‘memory’ or a neural state of the SNN. By exploiting a fundamental principle in chaos theory, which is Chaotic Sensitivity upon Initial Conditions, in conjunction with chaos control, we show that similar inputs, when fed separately to the SNN, will always activate the same neuronal group and different inputs will activate different neuronal groups. In addition, we show that differences between the system responses (i.e. neuronal groups) are proportional to differences between inputs. These features make the system suitable for input discrimination; we give an example of discerning human physical actions. More importantly, we study the capacity of the SNN. We show that the number of neuronal groups that can be reached is extremely large; it grows exponentially with the increase of the network size (i.e. number of neurons). This is due to neurons mixing, which allows the same resonant neuron to belong to other neuronal groups and due to the theoretically infinite number of UPOs available in a chaotic system that can be stabilized through chaos control. Also, our work competes with Izhikevich's polychronous groups, so we compare our results to his. We discuss the relevance of the work in the nonlinear sciences and its relation to chaotic neuro-dynamics, cognitive science, neural computation, machine learning and memory modeling including future considerations and open problems.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».