В искусственном интеллекте новые достижения позволяют искусственным нейронным сетям научиться решать сложные задачи в разумные сроки.
Для вычислительных нейронаук, ANNs являются теоретическими средствами, которые помогают в понимании нейронной обработки информации. Эти сети могут принимать форму тарифных моделей, которые используются в AI, или более биологически правдоподобных моделей, которые используют нейроны-спикинги. Целью этого специального выпуска является изучение использования ANN в контексте вычислительной нейронауки с различных точек зрения.
Биологическая достоверность
- Биологическая достоверность является важной темой в исследованиях нейронных сетей. То есть, ANNs просто удобные вычислительные модели или они также информируют о вычислениях, которые происходят в нашем собственном мозгу?
Тщательно излагаются быстрые достижения в глубоком обучении и противопоставляют эти достижения современной практике и взглядам в нейронауке. Их основная идея заключается в том, что биологическое обучение может осуществляться за счет оптимизации стоимостных функций с использованием последовательных нейросетей.
Классический вопрос, который на протяжении многих лет преследует ANNs, заключается в том, является ли размножение биологически правдоподобным. Внедряется пропаганда равновесия в качестве новой учебной основы для моделей, основанных на энергии. Алгоритм рассчитывает градиент объективной функции, не полагаясь на отдельные схемы распространения ошибок, интегрирующие нелокальные сигналы.
Хотя ацетилхолин и допамин являются нейромодуляторами, которые, как известно, имеют глубокие и длительные эффекты на нейронных реакций на стимулы, неизвестно, какова их соответствующая функциональная роль. Разработали модель нейронной сети, которая сочетается с графиками физиологического высвобождения Ach и DA.
Повышение производительности
Многие предлагают новые механизмы для повышения эффективности ANNs.
Исследуют процесс отсечения, который относится к группировке элементов при выполнении задачи памяти, что приводит к улучшению производительности задачи. Показывается, что отсечение может иметь вычислительные преимущества, так как позволяет использовать синапсы с узким динамическим диапазоном и низкой точностью при выполнении задачи памяти.
- Важным ограничением сетей Hopfield является их ограниченная емкость. Показывается, что включение ненулевых диагональных элементов в матрицу весов позволяет получить максимальный объем памяти, если количество хранимых шаблонов памяти превышает сетевой размер.
Еще существует метод дистанционного представительского обучения в качестве метода стохастического градиентного спуска, который приводит репрезентативное пространство модели ученика в соответствие с репрезентативным пространством модели учителя.
Скачок нейронных сетей
Важным направлением таких работ в компьютерной нейронауке является углубление общего понимания биологических и искусственных нейронных сетей с пиковыми нагрузками.
- Как сенсорные стимулы связаны с активностью нейронов – это является одним из главных открытых вопросов в нейронауке, и определение такого взаомодействия между входом нейрона получает и исходящий всплеск поезда остается проблемой. Некоторые предлагают новый метод измерения количества информации, передаваемой нейроном в этом процессе, на основе ANNs.
Скорость, с которой выделяются шипы, часто сопоставляется со значениями аналоговой активации искусственных нейронов, но хорошо известно, что такая связь фиксирует небольшую часть информации, обрабатываемой в реальных нейронах. Также разрабатывают сети нейронов с пиками, работающие на основе принципов, разработанных для так называемых сигнатурных нейронных сетей.
Понимание функции мозга
ANNs также были приняты в качестве нового инструмента для понимания нейронной обработки информации в мозгу.
- Один из вопросов заключается в том, дают ли контролируемые или неконтролируемые эти сети лучшее объяснение нейронной обработки информации. Многие научили нейронные сети точному отображению пространственных референцных сетей.
Неуловимым свойством нашего собственного мозга является то, что мы занимаемся сновидением во время сна. Использовали глубокие нейронные сети для расшифровки того, о чем мечтают люди. Было обнаружено, что декодированные функции из данных fMRI сна положительно коррелируют с функциями, связанными с категориями объектов, которые имеют отношение к содержимому сна.
Важный вопрос в нейронауке заключается в том, как нейронные представления сенсорного ввода функционально организованы. Показывается, что нейронные реакции на сенсорный вход могут быть смоделированы с использованием повторяющихся нейронных сетей, которые могут быть обучены от начала до конца.
Нейронные сети переживают возрождение, которое не только преобразует искусственный интеллект, но и дает новые представления о нейронных вычислениях в биологических системах. Описываются новые достижения в области нейросетей, которые повышают их достоверность с биологической точки зрения. Ожидается, что более тесное взаимодействие между сообществами, занимающимися искусственным интеллектом и нейронауками, приведет в ближайшие годы к различным другим теоретическим и практическим прорывам.
