列日大学的工程师通过创建一种新型脉冲神经元，在人工神经网络架构方面迈出了重要一步。这种创新模型被称为脉冲循环细胞 (SRC)，它结合了实施的简单性和重现生物神经元动态的能力。再加上脉冲神经元的能源效率，这种新模型为神经启发式人工智能提供了令人兴奋的新前景。这项研究发表在《神经形态计算与工程》杂志上。
人工神经网络（ANN）和脉冲神经网络（SNN）是人工智能中使用的两种神经网络。然而，它们在结构、操作和应用上存在很大差异。
ANN 广泛应用于各种机器学习应用（图像识别、语音识别、游戏），并且相对容易实现。然而，它们能源效率低下且计算成本高昂。
另一方面，SNN 用于需要对事件的精确时间敏感的应用（机器人、脑机接口、传感处理），并提供更真实的生物神经过程建模。它们与 ANN 的不同之处在于，神经元之间的通信模式完全基于脉冲（尖峰），从而模仿生物神经元的功能方式。
“它们的主要优势在于能源效率，”列日大学蒙蒂菲奥里研究所的研究工程师 Florent De Geeter 解释道。
“当这些 SNN 在特定硬件（称为神经形态硬件）上运行时，它们的能耗会变得极低。这一特性意味着此类网络可用于能源效率至关重要的场合，例如嵌入式系统，嵌入式系统是自主计算机和电子系统，可在集成它们的设备内执行精确的任务。”
与 ANN 不同，SNN 难以训练，当前的研究主要集中于设计训练算法，使其能够在复杂任务上与 ANN 竞争。
作为列日大学一个雄心勃勃的项目的一部分，研究人员尝试了一种新方法：通过修改一种众所周知的易于训练的人工神经元的动态，他们成功地模仿了生物神经元的行为，产生了一个新模型：脉冲循环细胞 (SRC)。
SRC：ANN 和 SNN 之间的桥梁
“这项研究的主要创新之处在于这种脉冲循环细胞 (SRC) 的设计，”列日大学教授、这项研究的共同作者 Damien Ernst 解释说，“这是一种能够像生物神经元一样自主产生脉冲的神经元模型。与人工产生脉冲的传统 SNN 模型不同，SRC 模型可以更自然、更动态地模拟神经元冲动。”
这种新模型可以将 ANN 的复杂学习算法与 SNN 的能源效率相结合。这样，SRC 提供了一种混合解决方案，结合了两种神经网络的优点，为新一代 SNN 铺平了道路。
含义和未来应用
SRC 的潜在应用非常广泛。由于其能源效率，SNN 可用于能源消耗至关重要的场合，例如自动驾驶汽车的车载系统。
“此外，SRC 模型能够通过调整内部参数来模拟各种神经元行为，从而使这些网络更具表现力，更接近生物网络，从而显著改善对大脑功能的理解和再现，”列日大学神经形态工程实验室主任、这项研究的共同作者 Guillaume Drion 说道。
SRC 的创建和引入代表了神经网络领域的重大进步，结合了 ANN 和 SNN 的优势。这一创新为开发更高效、更节能的智能系统开辟了新的前景。
本站全部资讯来源于实验室原创、合作机构投稿及网友汇集投稿，仅代表个人观点，不作为任何依据，转载联系作者并注明出处：https://www.lvsky.net/285.html
评论