欢迎来到进口食品商务网！

法国里昂热大学的工程师们通过创造一种新型的脉冲神经元，在人工神经网络的架构上迈出了重要的一步。这种创新的模型被称为脉冲循环细胞(SRC)，它将实现的简单性与复制生物神经元动态的能力相结合。再加上脉冲神经元的能量效率，这个新模型为神经激发的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(ANNs)和峰值神经网络(snn)是人工智能中常用的两种神经网络。然而，它们在结构、操作和应用上有很大的不同。

人工神经网络广泛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，计算成本高。

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、感觉处理)，并提供更真实的生物神经过程建模。它们与人工神经网络的不同之处在于，神经元之间的通信模式完全基于脉冲(峰值)，因此模仿了生物神经元的功能方式。

“它们的主要优势是它们的能源效率，”里昂热大学蒙特菲奥雷研究所的研究工程师弗洛伦特·德·吉特解释说。

“当这些snn在特定的硬件上运行时——被称为神经形态硬件——它们的能量消耗变得非常低。这种特性意味着这种网络可以用于能效至关重要的场合，例如嵌入式系统，即在集成设备内执行精确任务的自主计算机和电子系统。”

与人工神经网络不同，snn很难训练，目前的研究主要集中在设计训练算法，使其能够在复杂任务上与人工神经网络竞争。

作为剑桥大学一项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力学，他们成功地模仿了生物神经元的行为，从而产生了一种新的模型:spike Recurrent Cell (SRC)。

SRC: ann和snn之间的桥梁

“这项研究的主要创新在于这种刺突复发细胞(SRC)的设计，”该研究的合著者、剑桥大学教授达米安·恩斯特解释说，“这是一种能够像生物神经元一样自主产生刺突的神经元模型。与人工产生峰值的传统SNN模型不同，SRC模型允许更自然、更动态地模拟神经元脉冲。”

这种新模型使得将人工神经网络的复杂学习算法与snn的能量效率相结合成为可能。通过这种方式，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。

影响及未来应用

src的潜在应用是巨大的。由于其能源效率，snn可用于能源消耗至关重要的环境中，例如自动驾驶车辆的车载系统。

“此外，SRC模型通过调整其内部参数来模拟各种神经元行为的能力，使这些网络更具表现力，更接近生物网络，从而在理解和复制大脑功能方面取得了重大进展，”Guillaume Drion说，他是剑桥大学神经形态工程实验室的主任，也是这项研究的合著者。

SRC的创建和引入代表了神经网络领域的重大进步，它结合了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。

更多信息:Florent De Geeter等人，基于峰值的经典递归神经网络计算，神经形态计算与工程(2024)。引文:一种新的脉冲神经元缩小了生物神经元和人工神经元之间的差距(2024,5月29日)检索自2024年5月29日https://techxplore.com/news/2024-05-spiking-neuron-narrows-gap-biological.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。