العصبون الاصطناعي

الخلية العصبية الاصطناعية هي دالة رياضية تُصمم كنموذج للخلية العصبية البيولوجية في الشبكة العصبية . وتُعد الخلية العصبية الاصطناعية الوحدة الأساسية للشبكة العصبية الاصطناعية . ^{[ 1 ]}

استُلهم تصميم العصبون الاصطناعي من الدوائر العصبية البيولوجية . وتُشابه مدخلاته كمونات ما بعد المشبك الاستثارية وكمونات ما بعد المشبك التثبيطية في التغصنات العصبية ، أوالتنشيط . أوزانه مماثلة للأوزان المشبكية ، ومخرجاته مماثلة لجهد فعل العصبون الذي ينتقل على طول محوره .

عادةً، يُوزن كل مُدخل على حدة ، ويُضاف المجموع غالبًا إلى حد يُعرف باسم الانحياز (يُقابل تقريبًا جهد العتبة )، قبل تمريره عبر دالة غير خطية تُعرف بدالة التنشيط . اعتمادًا على المهمة، قد تتخذ هذه الدوال شكلًا سينيًا (مثلًا للتصنيف الثنائي )، ولكنها قد تتخذ أيضًا شكل دوال غير خطية أخرى، أو دوال خطية متقطعة ، أو دوال متدرجة . كما أنها غالبًا ما تكون متزايدة بشكل رتيب ، ومستمرة ، وقابلة للتفاضل ، ومحدودة . وقد تم مؤخرًا استكشاف دوال تنشيط غير رتيبة وغير محدودة ومتذبذبة ذات أصفار متعددة، والتي تتفوق على دوال التنشيط السينية ودوال التنشيط الشبيهة بدالة ReLU في العديد من المهام. وقد ألهمت دالة العتبة بناء بوابات منطقية تُعرف باسم منطق العتبة؛ وهي قابلة للتطبيق على بناء دوائر منطقية تُحاكي معالجة الدماغ. على سبيل المثال، استُخدمت أجهزة جديدة مثل الميمريستورات على نطاق واسع لتطوير هذا النوع من المنطق. ^{[ 2 ]}

لا ينبغي الخلط بين دالة تنشيط الخلايا العصبية الاصطناعية ودالة نقل النظام الخطي .

يمكن الإشارة إلى الخلية العصبية الاصطناعية على أنها وحدة شبه خطية ، أو خلية عصبية Nv ، أو خلية عصبية ثنائية ، أو دالة عتبة خطية ، أو خلية عصبية McCulloch–Pitts ( MCP ) ، وذلك اعتمادًا على البنية المستخدمة.

تُوصف الخلايا العصبية الاصطناعية البسيطة، مثل نموذج ماكولوتش-بيتس، أحيانًا بأنها "نماذج كاريكاتورية"، لأنها تهدف إلى عكس ملاحظة أو أكثر من الملاحظات الفيزيولوجية العصبية، ولكن دون مراعاة الواقعية. ^{[ 3 ]} كما يمكن أن تشير الخلايا العصبية الاصطناعية إلى الخلايا الاصطناعية في الهندسة العصبية الشكلية التي تشبه الخلايا العصبية الفيزيائية الطبيعية.

الهيكل الأساسي

بالنسبة لعصبون اصطناعي معين $k$ فليكن $m+1$ المدخلات مع الإشارات $x_{0}$ خلال $x_{m}$ والأوزان $w_{k0}$ خلال $w_{km}$ عادةً، المدخلات $x_{0}$ يتم تعيين القيمة +1 لها، مما يجعلها مدخل انحياز مع $w_{k0}=b_{k}$ وهذا لا يترك سوى $m$ المدخلات الفعلية للعصبون: $x_{1}$ ل $x_{m}$ .

مخرجات $k$ العصبون رقم - هو:

y_{k}=\varphi \left(\sum _{j=0}^{m}w_{kj}x_{j}\right)

،

أين $\varphi$ (phi) هي دالة التنشيط.

يُشابه الناتج محور الخلية العصبية البيولوجية، وتنتقل قيمته إلى مدخلات الطبقة التالية عبر المشبك العصبي. وقد يخرج أيضًا من النظام، ربما كجزء من متجه الإخراج .

لا توجد عملية تعلم بالمعنى الحرفي. يتم حساب أوزان دالة التنشيط الخاصة بها، ويتم تحديد قيمة العتبة مسبقًا.

عصبون ماكولوتش-بيتس (MCP)

عصبون MCP هو نوع من العصبونات الاصطناعية المحدودة التي تعمل بخطوات زمنية منفصلة. لكل منها صفر أو أكثر من المدخلات، ويتم كتابتها على النحو التالي: $x_{1},...,x_{n}$ له مخرج واحد، يُكتب على النحو التالي: $y$ يمكن أن يكون كل مدخل إما مثيرًا أو مثبطًا . ويمكن أن يكون المخرج إما هادئًا أو نشطًا . كما أن لعصبون MCP عتبة . $b\in \{0,1,2,...\}$ .

في الشبكة العصبية MCP، تعمل جميع الخلايا العصبية في خطوات زمنية منفصلة متزامنة من $t=0,1,2,3,...$ في ذلك الوقت $t+1$ ، يكون ناتج الخلية العصبية $y(t+1)=1$ إذا كان عدد المدخلات المثيرة التي يتم إطلاقها يساوي على الأقل العتبة، ولم يتم إطلاق أي مدخلات مثبطة؛ $y(t+1)=0$ خلاف ذلك.

يمكن استخدامها لتمثيل الدوال المنطقية القابلة للفصل الخطي (على سبيل المثال، AND، OR، NOR) ولكن ليس، على سبيل المثال، XOR. ^{[ 4 ]}

يمكن أن يكون كل مخرج مدخلاً لعدد غير محدود من الخلايا العصبية، بما في ذلك نفسه (أي أن الحلقات الذاتية ممكنة). مع ذلك، لا يمكن للمخرج أن يتصل أكثر من مرة بخلية عصبية واحدة. لا تُسبب الحلقات الذاتية تناقضات، لأن الشبكة تعمل بخطوات زمنية منفصلة متزامنة.

كمثال بسيط، لنفترض وجود عصبون واحد بعتبة 0، وحلقة تثبيط ذاتية واحدة. سيتذبذب خرجه بين 0 و1 في كل خطوة، ويعمل كـ "ساعة".

يمكن محاكاة أي آلة ذات حالات محدودة بواسطة شبكة عصبية MCP. ^{[ 5 ]} وباستخدام شريط لانهائي، يمكن لشبكات MCP العصبية محاكاة أي آلة تورينج . ^{[ 6 ]}

النموذج البيولوجي

العصبون والمحور العصبي المغلف بالميالين، مع تدفق الإشارة من المدخلات عند التغصنات إلى المخرجات عند نهايات المحور العصبي.

صُممت الخلايا العصبية الاصطناعية لمحاكاة جوانب من نظيراتها البيولوجية. ومع ذلك، توجد فجوة كبيرة في الأداء بين الشبكات العصبية البيولوجية والاصطناعية. على وجه الخصوص، تم اكتشاف خلايا عصبية بيولوجية مفردة في الدماغ البشري ذات وظيفة تنشيط متذبذبة قادرة على تعلم وظيفة XOR . ^{[ 7 ]}

التغصنات العصبية - في الخلايا العصبية البيولوجية، تعمل التغصنات كناقلات إدخال. تسمح هذه التغصنات للخلية باستقبال الإشارات من عدد كبير (>1000) من الخلايا العصبية المجاورة. وكما في المعالجة الرياضية السابقة، فإن كل تغصن قادر على إجراء "عملية ضرب" بقيمة "وزن" خاصة به. تتم عملية الضرب عن طريق زيادة أو تقليل نسبة النواقل العصبية المشبكية إلى المواد الكيميائية الإشارية التي تُدخل إلى التغصن استجابةً للناقل العصبي المشبكي. ويمكن تحقيق تأثير ضرب سلبي عن طريق نقل مثبطات الإشارة (أي الأيونات ذات الشحنة المعاكسة) على طول التغصن استجابةً لاستقبال النواقل العصبية المشبكية.
في الخلايا العصبية البيولوجية، يعمل جسم الخلية كدالة جمع، كما هو موضح في الوصف الرياضي أعلاه. فعندما تصل الإشارات الموجبة والسالبة (المحفزة والمثبطة على التوالي) إلى جسم الخلية من التغصنات، تُجمع الأيونات الموجبة والسالبة بشكل فعال، وذلك ببساطة عن طريق اختلاطها معًا في المحلول داخل جسم الخلية.
المحور العصبي – يستمد المحور العصبي إشارته من عملية التجميع التي تحدث داخل جسم الخلية. يقوم منفذ المحور العصبي بأخذ عينات من الجهد الكهربائي للمحلول داخل جسم الخلية. بمجرد أن يصل جسم الخلية إلى جهد معين، يرسل المحور العصبي نبضة إشارة كاملة على طوله. وبهذا المعنى، يعمل المحور العصبي كآلية لربط الخلايا العصبية الاصطناعية ببعضها.

على عكس معظم الخلايا العصبية الاصطناعية، تُطلق الخلايا العصبية البيولوجية نبضات منفصلة. ففي كل مرة يصل فيها الجهد الكهربائي داخل جسم الخلية إلى عتبة معينة، تنتقل نبضة عبر المحور العصبي. ويمكن تحويل هذه النبضات إلى قيم متصلة. ويتحول معدل إطلاق المحور العصبي (عدد التنشيطات في الثانية، وما إلى ذلك) مباشرةً إلى معدل وصول أيونات الإشارة إلى الخلايا المجاورة. فكلما زادت سرعة إطلاق الخلية العصبية البيولوجية، زادت سرعة تراكم الجهد الكهربائي في الخلايا العصبية المجاورة (أو فقدانه، اعتمادًا على "وزن" التغصن المتصل بالخلية العصبية التي أطلقت النبضة). وهذا التحويل هو ما يسمح لعلماء الحاسوب والرياضيات بمحاكاة الشبكات العصبية البيولوجية باستخدام خلايا عصبية اصطناعية قادرة على إخراج قيم مميزة (غالبًا من -1 إلى 1).

التشفير

أظهرت الأبحاث أن الترميز الأحادي يُستخدم في الدوائر العصبية المسؤولة عن إنتاج تغريد الطيور . ^{[ 8 ]}^{[ 9 ]} يُعزى استخدام الترميز الأحادي في الشبكات البيولوجية على الأرجح إلى بساطة هذا الترميز. ومن العوامل الأخرى المساهمة في ذلك أن الترميز الأحادي يوفر درجة معينة من تصحيح الأخطاء. ^{[ 10 ]}

الخلايا الاصطناعية الفيزيائية

هناك أبحاث وتطوير في مجال الخلايا العصبية الاصطناعية الفيزيائية - العضوية وغير العضوية.

على سبيل المثال، يمكن لبعض الخلايا العصبية الاصطناعية استقبال ^{[ 11 ]}^{[ 12 ]} وإطلاق الدوبامين ( إشارات كيميائية وليست كهربائية) والتواصل مع خلايا العضلات والدماغ الطبيعية للفئران ، مما يتيح إمكانية استخدامها في واجهات الدماغ والحاسوب / الأطراف الاصطناعية . ^[¹³^]^[¹⁴^]

قد تُمكّن المقاومات الذاكرية المتوافقة حيوياً ذات الطاقة المنخفضة من بناء خلايا عصبية اصطناعية تعمل بفولتيات جهد الفعل البيولوجي ، ويمكن استخدامها لمعالجة إشارات الاستشعار الحيوي مباشرةً ، للحوسبة العصبية الشكلية و/أو التواصل المباشر مع الخلايا العصبية البيولوجية . ^{[ 15 ]}^{[ 16 ]}^{[ 17 ]}

تم دمج دوائر عصبية عضوية مصنوعة من البوليمرات ، ومغطاة بهلام غني بالأيونات لتمكين المادة من حمل شحنة كهربائية مثل الخلايا العصبية الحقيقية ، في روبوت، مما مكنه من التعلم الحسي الحركي في العالم الحقيقي، بدلاً من التعلم عبر المحاكاة أو افتراضياً. ^{[ 18 ]}^{[ 19 ]} علاوة على ذلك، يمكن للخلايا العصبية الاصطناعية ذات النبضات المصنوعة من مواد لينة (البوليمرات) أن تعمل في بيئات ذات صلة بيولوجية، وأن تُمكّن التواصل التآزري بين المجالين الاصطناعي والبيولوجي. ^{[ 20 ]}^{[ 21 ]}

تاريخ

اقترح وارن ماكولوتش ووالتر بيتس مفهوم العصبون الاصطناعي لأول مرة في بحثهما المنشور عام 1943 بعنوان " حساب منطقي للأفكار الكامنة في النشاط العصبي ". وقد أُطلق عليه اسم وحدة المنطق العتبية أو وحدة العتبة الخطية. ^{[ 22 ]} صُمم هذا النموذج خصيصًا ليكون نموذجًا حسابيًا لشبكة الأعصاب في الدماغ. ^{[ 23 ]} استخدم هذا النموذج عتبة كدالة تنشيط، تُعادل استخدام دالة هيفسايد المتدرجة . في البداية، اقتصر البحث على نموذج بسيط ذي مدخلات ومخرجات ثنائية، مع بعض القيود على الأوزان الممكنة، وقيمة عتبة أكثر مرونة. لوحظ منذ البداية إمكانية تنفيذ أي دالة منطقية باستخدام شبكات من هذه الأجهزة، ويتضح ذلك جليًا من إمكانية تنفيذ دالتي "و" و"أو"، واستخدامهما في الصيغة الانفصالية أو الاقترانية . وسرعان ما أدرك الباحثون أيضًا أن الشبكات الدورية، مع التغذية الراجعة من خلال الخلايا العصبية، يمكن أن تحدد الأنظمة الديناميكية ذات الذاكرة، لكن معظم الأبحاث ركزت (ولا تزال تركز) على الشبكات ذات التغذية الأمامية بشكل صارم بسبب الصعوبة الأقل التي تمثلها.

من أهم الشبكات العصبية الاصطناعية الرائدة التي استخدمت دالة العتبة الخطية، شبكة البيرسيبترون التي طورها فرانك روزنبلات . وقد أخذ هذا النموذج في الاعتبار قيم أوزان أكثر مرونة في الخلايا العصبية، واستُخدم في أجهزة ذات قدرات تكيفية. وقدّم برنارد ويدرو تمثيل قيم العتبة كحد انحياز في عام 1960 - انظر ADALINE .

كان من بين التطورات اللاحقة قاعدة التعلم الهيبية ، التي اقترحها دونالد أو. هيب ، والتي وفرت قاعدة أساسية لضبط الأوزان في الشبكات العصبية. ^{[ 24 ]} ينص مبدأ التعلم الهيبي على أن الرابط بين خليتين عصبيتين يتقوى إذا تم تنشيطهما في وقت واحد، ويضعف إذا تم تنشيطهما بشكل منفصل. ^{[ 24 ]} تم تطوير تحسين للتعلم الهيبي، يُعرف باسم اللدونة المعتمدة على توقيت النبضات ، لمراعاة التوقيت الدقيق لنبضات الخلايا العصبية. ^{[ 24 ]} تم تطبيق هذا النوع من التعلم في الشبكات العصبية النبضية ، والتي يُعتقد أنها أكثر كفاءة في استهلاك الطاقة من الشبكات العصبية الاصطناعية التقليدية ^[²⁴^] وتتطلب طاقة أقل للإرسال لأنها تعالج البيانات بناءً على حدوث الأحداث بدلاً من الحساب المستمر. ^[²⁴^]

في أواخر ثمانينيات القرن العشرين، ومع انتعاش أبحاث الشبكات العصبية، بدأ الاهتمام بالخلايا العصبية ذات الأشكال الأكثر استمرارية. وتتيح إمكانية تفاضل دالة التنشيط استخدام خوارزمية التدرج الهبوطي وغيرها من خوارزميات التحسين مباشرةً لضبط الأوزان. كما بدأ استخدام الشبكات العصبية كنموذج عام لتقريب الدوال . وقد أُعيد اكتشاف خوارزمية التدريب الأشهر، المعروفة باسم الانتشار العكسي، عدة مرات، إلا أن تطويرها الأول يعود إلى أعمال بول ويربوس . ^{[ 25 ]}^{[ 26 ]}

أنواع وظائف التنشيط

تُختار دالة التنشيط للعصبون بحيث تتمتع بعدد من الخصائص التي تُحسّن أو تُبسّط الشبكة التي تحتوي على هذا العصبون. على سبيل المثال، أي شبكة عصبية متعددة الطبقات تستخدم دالة تنشيط خطية لها شبكة مكافئة أحادية الطبقة؛ لذا فإن استخدام دالة غير خطية ضروري للاستفادة من مزايا الشبكة متعددة الطبقات.

أقل، $u$ يشير في جميع الحالات إلى المجموع المرجح لجميع المدخلات إلى العصبون، أي لـ $n$ المدخلات،

u=\sum _{i=1}^{n}w_{i}x_{i}

أين $w$ هو متجه للأوزان المشبكية و $x$ هو متجه من المدخلات.

دالة الخطوة

الناتج $y$ تعتمد دالة التنشيط هذه على القيمة الثنائية، وذلك بحسب ما إذا كان المدخل يفي بعتبة محددة أم لا. $\theta$ (ثيتا). يتم إرسال "الإشارة"، أي يتم ضبط الإخراج على 1، إذا كان التنشيط يفي بالعتبة أو يتجاوزها.

y={\begin{cases}1&{\text{if }}u\geq \theta \\0&{\text{if }}u<\theta \end{cases}}

تُستخدم هذه الدالة في الشبكات العصبية الإدراكية ، وتظهر في العديد من النماذج الأخرى. وهي تُقسّم فضاء المدخلات بواسطة مستوى فائق . وتُعدّ مفيدة بشكل خاص في الطبقة الأخيرة من الشبكة، حيث تُستخدم، على سبيل المثال، لتصنيف المدخلات تصنيفًا ثنائيًا.

التركيبة الخطية

في هذه الحالة، تكون وحدة الإخراج ببساطة هي المجموع المرجح لمدخلاتها، بالإضافة إلى حد الانحياز. يقوم عدد من هذه الخلايا العصبية الخطية بتحويل خطي لمتجه الإدخال. عادةً ما يكون هذا أكثر فائدة في الطبقات الأولى من الشبكة. توجد العديد من أدوات التحليل القائمة على النماذج الخطية، مثل التحليل التوافقي ، ويمكن استخدامها جميعًا في الشبكات العصبية التي تحتوي على هذه الخلية العصبية الخطية. يسمح لنا حد الانحياز بإجراء تحويلات خطية على البيانات.

المنحنى السيني

تُعدّ الدالة السينية ، مثل الدالة اللوجستية، دالة غير خطية بسيطة نسبيًا، كما أنها تتميز بسهولة حساب مشتقتها، وهو أمر بالغ الأهمية عند حساب تحديثات الأوزان في الشبكة. وهذا ما يجعل التعامل مع الشبكة رياضيًا أسهل، وقد جذب هذا النوع من الدوال علماء الحاسوب الأوائل الذين سعوا إلى تقليل العبء الحسابي لعمليات المحاكاة. وقد شاع استخدامها سابقًا في الشبكات العصبية متعددة الطبقات . إلا أن الدراسات الحديثة أظهرت أن الخلايا العصبية السينية أقل فعالية من الخلايا العصبية الخطية المُقوَّمة . ويعود السبب في ذلك إلى أن التدرجات المحسوبة بواسطة خوارزمية الانتشار العكسي تميل إلى التضاؤل نحو الصفر مع انتشار التنشيطات عبر طبقات الخلايا العصبية السينية، مما يُصعّب تحسين الشبكات العصبية التي تستخدم طبقات متعددة من هذه الخلايا.

مقوم التيار

في سياق الشبكات العصبية الاصطناعية ، فإن وحدة التقويم أو الوحدة الخطية المعدلة هي دالة تنشيط تُعرَّف بأنها الجزء الموجب من وسيطها:

f(x)=x^{+}=\max(0,x),

أين $x$ يمثل هذا المدخل إلى العصبون. يُعرف أيضًا بدالة المنحدر ، وهو مشابه لتقويم نصف الموجة في الهندسة الكهربائية. قُدِّمت دالة التنشيط هذه لأول مرة إلى شبكة ديناميكية بواسطة هانلوسر وآخرون في ورقة بحثية نُشرت عام 2000 في مجلة Nature ^{[ 27 ]،} مدعومة بدوافع بيولوجية قوية ومبررات رياضية. ^{[ 28 ]} وقد ثبت لأول مرة في عام 2011 أنها تُتيح تدريبًا أفضل للشبكات الأعمق، ^{[ 29 ]} مقارنةً بدوال التنشيط الشائعة الاستخدام قبل عام 2011، أي دالة سيجمويد اللوجستية (المستوحاة من نظرية الاحتمالات ؛ انظر الانحدار اللوجستي ) ونظيرتها الأكثر عملية ^{[ 30 ]} ، دالة الظل الزائدي .

يُعدّ نوع وحدة التنشيط الخطية المُعدّلة المُسرّبة أحد أكثر أنواع دوال التنشيط الخطية المُعدّلة شيوعًا، حيث يسمح هذا النوع بتدرج صغير موجب عندما لا تكون الوحدة نشطة:

$f(x)={\begin{cases}x&{\text{if }}x>0,\\ax&{\text{otherwise}}.\end{cases}}$

أين $x$ هو المدخل إلى العصبون و $a$ هو ثابت موجب صغير (تم ضبطه على 0.01 في الورقة الأصلية). ^{[ 31 ]}

خوارزمية الشفرة الزائفة

فيما يلي تطبيق بسيط باستخدام الشفرة الزائفة لوحدة منطق العتبة، والتي تستقبل مدخلات منطقية (صواب أو خطأ)، وتُرجع مخرجًا منطقيًا واحدًا عند تفعيلها. يُستخدم نموذج كائني التوجه . لم يتم تحديد طريقة تدريب، لوجود عدة طرق متاحة. في حال استخدام نموذج وظيفي بحت، سيتم استبدال فئة "وحدة منطق العتبة" المذكورة أدناه بدالة تحمل نفس الاسم، وتتضمن معلمات الإدخال: العتبة، والأوزان، والمدخلات التي تُرجع قيمة منطقية.

وحدة منطق العتبة (Threshold Logic Unit) مُعرّفة كالتالي: بيانات العتبة : عدد، بيانات الأوزان : قائمة أعداد بحجم X دالة عضو fire(inputs : قائمة من القيم المنطقية بحجم X) : قيمة منطقية معرفة كالتالي: متغير T : عدد T ← 0 for each i in 1 to X doif inputs(i) is true then T ← T + weights(i) end ifend for eachif T > threshold thenreturn true else:return false end ifend functionend class

References

↑Rami A. Alzahrani; Alice C. Parker. "Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling". Proceedings of International Conference on Neuromorphic Systems 2020. Art. 19. New York: Association for Computing Machinery. doi:10.1145/3407197.3407204. ISBN 978-1-4503-8851-1. S2CID 220794387.
↑Maan, A. K.; Jayadevi, D. A.; James, A. P. (1 January 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734–1746. arXiv:1604.07121. Bibcode:2016arXiv160407121M. doi:10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.
↑F. C. Hoppensteadt and E. M. Izhikevich (1997). Weakly connected neural networks. Springer. p. 4. ISBN 978-0-387-94948-2.
↑"CS7015 (Deep Learning) : Lecture 2 : McCulloch Pitts Neuron, Thresholding Logic, Perceptrons, Perceptron Learning Algorithm and Convergence, Multilayer Perceptrons (MLPs), Representation Power of MLPs"(PDF). Cse.iitm.ac.in. Retrieved 2026-06-25.
↑Minsky, Marvin Lee (1967-01-01). Computation: Finite and Infinite Machines. Prentice Hall. ISBN 978-0-13-165563-8.
↑McCulloch, Warren S.; Pitts, Walter (1943-12-01). "A logical calculus of the ideas immanent in nervous activity". The Bulletin of Mathematical Biophysics. 5 (4): 115–133. doi:10.1007/BF02478259. ISSN 1522-9602.
^ جدعون، ألبرت. زولنيك، تيموثي آدم؛ فيدزينسكي، باول؛ بولدوان، فيليكس؛ بابوتسي، أثناسيا؛ الأماكن القريبة : هولتكامب، مارتن؛ فيدا، إيمري؛ لاركوم ، ماثيو إيفان (2020-01-03). "إمكانات العمل التغصنية والحساب في الطبقة البشرية 2/3 الخلايا العصبية القشرية" . علوم . 367 (6473): 83– 87. بيب كود : 2020Sci...367...83G . دوى : 10.1126/science.aax6239 . بميد 31896716 . S2CID 209676937 .
↑ سكواير، ل.؛ أولبرايت، ت.؛ بلوم، ف.؛ غيج، ف.؛ سبيتزر، ن.، محرران. (أكتوبر 2007). نماذج الشبكات العصبية لإنتاج تغريد الطيور وتعلمه وتشفيره (ملف PDF) . الموسوعة الجديدة لعلم الأعصاب: إلسيرفييه. مؤرشف من الأصل (ملف PDF) بتاريخ 12 أبريل 2015. تم الاطلاع عليه بتاريخ 12 أبريل 2015 .
↑ مور، جيه إم؛ وآخرون (2011). "تقارب المسارات الحركية يتنبأ بحجم ذخيرة المقاطع الصوتية لدى الطيور المغردة" . وقائع الأكاديمية الوطنية للعلوم في الولايات المتحدة الأمريكية . 108 ( 39): 16440-16445 . Bibcode : 2011PNAS..10816440M . doi : 10.1073/pnas.1102077108 . PMC 3182746. PMID 21918109 .
↑ بوتلوري، بوشبا سري (26 نوفمبر 2014). "قدرة تصحيح الأخطاء في الترميز الأحادي". arXiv : 1411.7406 [ cs.IT ].
↑ كلاينر، كورت (25 أغسطس 2022). "جعل رقائق الكمبيوتر تعمل بشكل أقرب إلى خلايا الدماغ" . مجلة Knowable . doi : 10.1146/knowable-082422-1 . تاريخ الاسترجاع: 23 سبتمبر 2022 .
^ كين ، سكوت ت. لوبرانو، كلوديا؛ كاظم زاده، ستاره؛ ميلياناس، ارمانتاس؛ توتشمان، يعقوب؛ بولينو، جوزيبينا؛ سكوجناميجليو، باولا؛ سينا، لوسيو؛ ساليو، ألبرتو؛ فان دي بورجت، يوري؛ سانتورو ، فرانشيسكا (سبتمبر 2020). "مشبك هجين حيوي مع اللدونة بوساطة الناقل العصبي" . مواد الطبيعة . 19 (9): 969– 973. بيب كود : 2020NatMa..19..969K . دوى : 10.1038/s41563-020-0703-y . ردمك 1476-4660 . بميد 32541935 . S2CID 219691307 .
- بيان صحفي من الجامعة: "باحثون يطورون مشبكاً عصبياً اصطناعياً يعمل مع الخلايا الحية" . جامعة ستانفورد عبر موقع medicalxpress.com . تاريخ الاطلاع: 23 سبتمبر 2022 .
↑ "خلايا عصبية اصطناعية تستبدل الدوبامين بخلايا دماغ الفئران كما لو كانت حقيقية" . مجلة نيو ساينتست . تم الاطلاع عليه بتاريخ 16 سبتمبر 2022 .
^ وانغ تينغ. وانغ، مينغ. وانغ، جيانوو؛ يانغ، لو؛ رن، شيويانغ؛ أغنية، عصابة؛ تشن، شيشنغ. يوان، يويهوي؛ ليو، رويكينغ؛ بان، ليانغ؛ لي تشنغ. ليو، وان رو؛ لو، ييفي؛ جي، شاوبو؛ كوي، زيكون؛ هو، كه؛ تشانغ، فيلونج؛ المستوى، فنجتينج؛ تيان، يوان يوان؛ كاي، كايو؛ يانغ، بوين. نيو، جينغيي؛ زو، هاوتشن؛ ليو، سونغروي؛ شو، جوليانج؛ فان، شينغ؛ هو، بنهوي؛ لوه، شيان يونيو؛ وانغ، ليانهوي؛ تشين ، شياو دونغ (8 أغسطس 2022). "خلية عصبية اصطناعية بوساطة كيميائيا" . إلكترونيات الطبيعة . 5 (9): 586– 595. doi : 10.1038/s41928-022-00803-0 . hdl : 10356/163240 . ISSN 2520-1131 . S2CID 251464760 .
↑ «علماء يبتكرون أجهزة دقيقة تعمل مثل الدماغ البشري» . صحيفة الإندبندنت . 20 أبريل 2020. مؤرشف من الأصل في 24 أبريل 2020. تم الاطلاع عليه في 17 مايو 2020 .
↑ «باحثون يكشفون عن أجهزة إلكترونية تحاكي الدماغ البشري في التعلم الفعال» . phys.org . مؤرشف من الأصل في 28 مايو 2020. تم الاطلاع عليه في 17 مايو 2020 .
^ فو ، تياندا. ليو، شياو مينغ؛ جاو، هونغيان؛ وارد جوي إي. ليو، شياورونغ؛ يين، بنج. وانغ، تشونغروي. تشو، يي؛ ووكر، ديفيد ج.ف. جوشوا يانغ، J .؛ تشن، جيانهان؛ لوفلي، ديريك ر.؛ ياو، يونيو (20 أبريل 2020). "Memristors Bioinspired Bio-Voltage" . اتصالات الطبيعة . 11 (1): 1861. بيب كود : 2020NatCo..11.1861F . دوى : 10.1038/s41467-020-15759-ذ . بمك 7171104 . بميد 32313096 .
↑ بولاخي، سوغات. "روبوت ليغو مزود بـ'دماغ' عضوي يتعلم كيفية اجتياز متاهة" . مجلة ساينتفك أمريكان . تم الاطلاع عليه في 1 فبراير 2022 .
^ كراوهاوزن، إيمكي؛ كوتسوراس، ديميتريوس أ؛ ميلياناس، ارمانتاس؛ كين، سكوت T.؛ ليبرث، كاتارينا؛ ليدانسور، هادريان؛ شيلامانثولا، راجندار؛ جيوفانيتي، الكسندر. توريسيلي، فابريزيو. مكولوتش، إيان؛ بلوم، بول وم. ساليو، ألبرتو؛ بورجت، يوري فان دي؛ Gkoupidenis, Paschalis (ديسمبر 2021). "الإلكترونيات العصبية العضوية للتكامل الحسي والتعلم في الروبوتات" . تقدم العلوم . 7 (50) إيبل5068. بيب كود : 2021SciA....7.5068K . دوى : 10.1126/sciadv.abl5068 . اتش دي ال : 10754/673986 . PMC 8664264. PMID 34890232. S2CID 245046482 .
^ ساركار، تانموي. ليبرث، كاتارينا؛ بافلو، أريستيا؛ فرانك، توماس. ميلاندر، فولكر؛ مكولوتش، إيان؛ بلوم، بول وم. توريتشيلي، فابريزيو؛ جكوبيدينس، باشاليس (7 نوفمبر 2022). "خلية عصبية اصطناعية عضوية للاستشعار العصبي في الموقع والتفاعل الحيوي" . إلكترونيات الطبيعة . 5 (11): 774-783 . دوى : 10.1038 / s41928-022-00859-y . اتش دي ال : 10754/686016 . ISSN 2520-1131 . S2CID 253413801 .
↑ "الخلايا العصبية الاصطناعية تحاكي نظيراتها البيولوجية لتمكين العمل التآزري" . مجلة نيتشر للإلكترونيات . 5 (11): 721-722 . 10 نوفمبر 2022. doi : 10.1038/s41928-022-00862-3 . ISSN 2520-1131 . S2CID 253469402 .
↑ مارتن أنتوني (يناير 2001). الرياضيات المتقطعة للشبكات العصبية: مواضيع مختارة . SIAM. ص 3–. ISBN 978-0-89871-480-7.
↑ شارو سي. أغاروال (25 يوليو 2014). تصنيف البيانات: الخوارزميات والتطبيقات . مطبعة سي آر سي. ص 209 وما بعدها. ISBN 978-1-4665-8674-1.
1 2 3 4 5 مؤمني، علي؛ رحماني، باباك؛ سيلير، بنيامين. رايت، لوغان G.؛ مكماهون، بيتر L.؛ وانجورا، كلارا سي؛ لي، يوهانغ؛ الصقلي، أنس؛ بيرلوف، ناتاليا ج.؛ أونوديرا، تاتسوهيرو؛ أوغوز، إلكر؛ موريتشيتي، فرانشيسكو؛ ديل هوجن، فيليب؛ لو جالو، مانويل؛ سيباستيان أبو (سبتمبر 2025). "تدريب الشبكات العصبية المادية" . طبيعة . 645 (8079): 53–61 . أرخايف : 2406.03372 . بيب كود : 2025Natur.645...53M . دوى : 10.1038/s41586-025-09384-2 . ISSN 1476-4687 . PMID 40903603 .
↑ بول ويربوس ، ما وراء الانحدار: أدوات جديدة للتنبؤ والتحليل في العلوم السلوكية. أطروحة دكتوراه، جامعة هارفارد، 1974
↑ ويربوس، بي جيه (1990). "الانتشار العكسي عبر الزمن: وظيفته وكيفية تنفيذه" . وقائع معهد مهندسي الكهرباء والإلكترونيات . 78 (10): 1550-1560 . رمز Bibcode : 1990IEEEP..78.1550W . doi : 10.1109/5.58337 . ISSN 0018-9219 . S2CID 18470994 .
↑ هانلوزر، ريتشارد إتش آر؛ ساربشكار، راهول؛ ماهوالد، ميشا إيه؛ دوغلاس، رودني جيه؛ سيونغ، إتش سيباستيان (2000). "الاختيار الرقمي والتضخيم التناظري يتعايشان في دارة سيليكون مستوحاة من القشرة الدماغية". مجلة نيتشر . 405 (6789): 947-951 . رمز Bibcode : 2000Natur.405..947H . doi : 10.1038/35016072 . ISSN 0028-0836 . PMID 10879535. S2CID 4399014 .
↑ ر. هانلوسر؛ هـ. س. سيونغ (2001). المجموعات المسموح بها والممنوعة في الشبكات الخطية المتناظرة ذات العتبة . NIPS 2001.
↑ غلوروت، كزافييه؛ بوردس، أنطوان؛ بينجيو، يوشوا (2011). الشبكات العصبية المقومية المتفرقة العميقة (ملف PDF) . وقائع المؤتمر الدولي الرابع عشر حول الذكاء الاصطناعي والإحصاء. مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 24 يوليو 2015.
↑ يان ليكان ؛ ليون بوتو ؛ جينيفيف ب. أور؛ كلاوس-روبرت مولر (1998). "الانتشار العكسي الفعال" (ملف PDF) . في: ج. أور؛ ك. مولر (محرران). الشبكات العصبية: حيل المهنة . سبرينغر.
↑ أندرو ل. ماس، عوني ي. حنون، أندرو ي. نغ (2014). تحسين النماذج الصوتية للشبكات العصبية باستخدام اللاخطية في المقومات ، Ai.stanford.edu

للمزيد من القراءة

مكولوتش، وارن س .؛ بيتس، والتر (1943). "حساب منطقي للأفكار الكامنة في النشاط العصبي". نشرة الفيزياء الحيوية الرياضية . 5 (4): 115-133 . doi : 10.1007/bf02478259 .
سامارداك، أ.؛ نوغاريه، أ.؛ جانسون، ن.ب.؛ بالانوف، أ.ج.؛ فارير، إ.؛ ريتشي، د.أ. (5 يونيو 2009). "نقل الإشارة المُتحكم فيه بالضوضاء في عصبون أشباه موصلات متعدد الخيوط" . مجلة Physical Review Letters . 102 (22) 226802. Bibcode : 2009PhRvL.102v6802S . doi : 10.1103/physrevlett.102.226802 . PMID 19658886. S2CID 11211062 .

روابط خارجية

[1] Rami A. Alzahrani; Alice C. Parker. "Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling". Proceedings of International Conference on Neuromorphic Systems 2020. Art. 19. New York: Association for Computing Machinery. doi:10.1145/3407197.3407204. ISBN 978-1-4503-8851-1. S2CID 220794387.

[2] Maan, A. K.; Jayadevi, D. A.; James, A. P. (1 January 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734–1746. arXiv:1604.07121. Bibcode:2016arXiv160407121M. doi:10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.

[3] F. C. Hoppensteadt and E. M. Izhikevich (1997). Weakly connected neural networks. Springer. p. 4. ISBN 978-0-387-94948-2.

[4] "CS7015 (Deep Learning) : Lecture 2 : McCulloch Pitts Neuron, Thresholding Logic, Perceptrons, Perceptron Learning Algorithm and Convergence, Multilayer Perceptrons (MLPs), Representation Power of MLPs"(PDF). Cse.iitm.ac.in. Retrieved 2026-06-25.

[:0-5] Minsky, Marvin Lee (1967-01-01). Computation: Finite and Infinite Machines. Prentice Hall. ISBN 978-0-13-165563-8.

[6] McCulloch, Warren S.; Pitts, Walter (1943-12-01). "A logical calculus of the ideas immanent in nervous activity". The Bulletin of Mathematical Biophysics. 5 (4): 115–133. doi:10.1007/BF02478259. ISSN 1522-9602.

[7] جدعون، ألبرت. زولنيك، تيموثي آدم؛ فيدزينسكي، باول؛ بولدوان، فيليكس؛ بابوتسي، أثناسيا؛ الأماكن القريبة : هولتكامب، مارتن؛ فيدا، إيمري؛ لاركوم ، ماثيو إيفان (2020-01-03). "إمكانات العمل التغصنية والحساب في الطبقة البشرية 2/3 الخلايا العصبية القشرية" . علوم . 367 (6473): 83– 87. بيب كود : 2020Sci...367...83G . دوى : 10.1126/science.aax6239 . بميد 31896716 . S2CID 209676937 .

[8] سكواير، ل.؛ أولبرايت، ت.؛ بلوم، ف.؛ غيج، ف.؛ سبيتزر، ن.، محرران. (أكتوبر 2007). نماذج الشبكات العصبية لإنتاج تغريد الطيور وتعلمه وتشفيره (ملف PDF) . الموسوعة الجديدة لعلم الأعصاب: إلسيرفييه. مؤرشف من الأصل (ملف PDF) بتاريخ 12 أبريل 2015. تم الاطلاع عليه بتاريخ 12 أبريل 2015 .

[9] مور، جيه إم؛ وآخرون (2011). "تقارب المسارات الحركية يتنبأ بحجم ذخيرة المقاطع الصوتية لدى الطيور المغردة" . وقائع الأكاديمية الوطنية للعلوم في الولايات المتحدة الأمريكية . 108 ( 39): 16440-16445 . Bibcode : 2011PNAS..10816440M . doi : 10.1073/pnas.1102077108 . PMC 3182746. PMID 21918109 .

[10] بوتلوري، بوشبا سري (26 نوفمبر 2014). "قدرة تصحيح الأخطاء في الترميز الأحادي". arXiv : 1411.7406 [ cs.IT ].

[knowablemagazineorganic-11] كلاينر، كورت (25 أغسطس 2022). "جعل رقائق الكمبيوتر تعمل بشكل أقرب إلى خلايا الدماغ" . مجلة Knowable . doi : 10.1146/knowable-082422-1 . تاريخ الاسترجاع: 23 سبتمبر 2022 .

[12] كين ، سكوت ت. لوبرانو، كلوديا؛ كاظم زاده، ستاره؛ ميلياناس، ارمانتاس؛ توتشمان، يعقوب؛ بولينو، جوزيبينا؛ سكوجناميجليو، باولا؛ سينا، لوسيو؛ ساليو، ألبرتو؛ فان دي بورجت، يوري؛ سانتورو ، فرانشيسكا (سبتمبر 2020). "مشبك هجين حيوي مع اللدونة بوساطة الناقل العصبي" . مواد الطبيعة . 19 (9): 969– 973. بيب كود : 2020NatMa..19..969K . دوى : 10.1038/s41563-020-0703-y . ردمك 1476-4660 . بميد 32541935 . S2CID 219691307 .
بيان صحفي من الجامعة: "باحثون يطورون مشبكاً عصبياً اصطناعياً يعمل مع الخلايا الحية" . جامعة ستانفورد عبر موقع medicalxpress.com . تاريخ الاطلاع: 23 سبتمبر 2022 .

[mwAnU] بيان صحفي من الجامعة: "باحثون يطورون مشبكاً عصبياً اصطناعياً يعمل مع الخلايا الحية" . جامعة ستانفورد عبر موقع medicalxpress.com . تاريخ الاطلاع: 23 سبتمبر 2022 .

[13] "خلايا عصبية اصطناعية تستبدل الدوبامين بخلايا دماغ الفئران كما لو كانت حقيقية" . مجلة نيو ساينتست . تم الاطلاع عليه بتاريخ 16 سبتمبر 2022 .

[14] وانغ تينغ. وانغ، مينغ. وانغ، جيانوو؛ يانغ، لو؛ رن، شيويانغ؛ أغنية، عصابة؛ تشن، شيشنغ. يوان، يويهوي؛ ليو، رويكينغ؛ بان، ليانغ؛ لي تشنغ. ليو، وان رو؛ لو، ييفي؛ جي، شاوبو؛ كوي، زيكون؛ هو، كه؛ تشانغ، فيلونج؛ المستوى، فنجتينج؛ تيان، يوان يوان؛ كاي، كايو؛ يانغ، بوين. نيو، جينغيي؛ زو، هاوتشن؛ ليو، سونغروي؛ شو، جوليانج؛ فان، شينغ؛ هو، بنهوي؛ لوه، شيان يونيو؛ وانغ، ليانهوي؛ تشين ، شياو دونغ (8 أغسطس 2022). "خلية عصبية اصطناعية بوساطة كيميائيا" . إلكترونيات الطبيعة . 5 (9): 586– 595. doi : 10.1038/s41928-022-00803-0 . hdl : 10356/163240 . ISSN 2520-1131 . S2CID 251464760 .

[15] «علماء يبتكرون أجهزة دقيقة تعمل مثل الدماغ البشري» . صحيفة الإندبندنت . 20 أبريل 2020. مؤرشف من الأصل في 24 أبريل 2020. تم الاطلاع عليه في 17 مايو 2020 .

[16] «باحثون يكشفون عن أجهزة إلكترونية تحاكي الدماغ البشري في التعلم الفعال» . phys.org . مؤرشف من الأصل في 28 مايو 2020. تم الاطلاع عليه في 17 مايو 2020 .

[17] فو ، تياندا. ليو، شياو مينغ؛ جاو، هونغيان؛ وارد جوي إي. ليو، شياورونغ؛ يين، بنج. وانغ، تشونغروي. تشو، يي؛ ووكر، ديفيد ج.ف. جوشوا يانغ، J .؛ تشن، جيانهان؛ لوفلي، ديريك ر.؛ ياو، يونيو (20 أبريل 2020). "Memristors Bioinspired Bio-Voltage" . اتصالات الطبيعة . 11 (1): 1861. بيب كود : 2020NatCo..11.1861F . دوى : 10.1038/s41467-020-15759-ذ . بمك 7171104 . بميد 32313096 .

[sciame-18] بولاخي، سوغات. "روبوت ليغو مزود بـ'دماغ' عضوي يتعلم كيفية اجتياز متاهة" . مجلة ساينتفك أمريكان . تم الاطلاع عليه في 1 فبراير 2022 .

[19] كراوهاوزن، إيمكي؛ كوتسوراس، ديميتريوس أ؛ ميلياناس، ارمانتاس؛ كين، سكوت T.؛ ليبرث، كاتارينا؛ ليدانسور، هادريان؛ شيلامانثولا، راجندار؛ جيوفانيتي، الكسندر. توريسيلي، فابريزيو. مكولوتش، إيان؛ بلوم، بول وم. ساليو، ألبرتو؛ بورجت، يوري فان دي؛ Gkoupidenis, Paschalis (ديسمبر 2021). "الإلكترونيات العصبية العضوية للتكامل الحسي والتعلم في الروبوتات" . تقدم العلوم . 7 (50) إيبل5068. بيب كود : 2021SciA....7.5068K . دوى : 10.1126/sciadv.abl5068 . اتش دي ال : 10754/673986 . PMC 8664264. PMID 34890232. S2CID 245046482 .

[20] ساركار، تانموي. ليبرث، كاتارينا؛ بافلو، أريستيا؛ فرانك، توماس. ميلاندر، فولكر؛ مكولوتش، إيان؛ بلوم، بول وم. توريتشيلي، فابريزيو؛ جكوبيدينس، باشاليس (7 نوفمبر 2022). "خلية عصبية اصطناعية عضوية للاستشعار العصبي في الموقع والتفاعل الحيوي" . إلكترونيات الطبيعة . 5 (11): 774-783 . دوى : 10.1038 / s41928-022-00859-y . اتش دي ال : 10754/686016 . ISSN 2520-1131 . S2CID 253413801 .

[21] "الخلايا العصبية الاصطناعية تحاكي نظيراتها البيولوجية لتمكين العمل التآزري" . مجلة نيتشر للإلكترونيات . 5 (11): 721-722 . 10 نوفمبر 2022. doi : 10.1038/s41928-022-00862-3 . ISSN 2520-1131 . S2CID 253469402 .

[Anthony2001-22] مارتن أنتوني (يناير 2001). الرياضيات المتقطعة للشبكات العصبية: مواضيع مختارة . SIAM. ص 3–. ISBN 978-0-89871-480-7.

[Aggarwal2014-23] شارو سي. أغاروال (25 يوليو 2014). تصنيف البيانات: الخوارزميات والتطبيقات . مطبعة سي آر سي. ص 209 وما بعدها. ISBN 978-1-4665-8674-1.

[:1-24] 1 2 3 4 5 مؤمني، علي؛ رحماني، باباك؛ سيلير، بنيامين. رايت، لوغان G.؛ مكماهون، بيتر L.؛ وانجورا، كلارا سي؛ لي، يوهانغ؛ الصقلي، أنس؛ بيرلوف، ناتاليا ج.؛ أونوديرا، تاتسوهيرو؛ أوغوز، إلكر؛ موريتشيتي، فرانشيسكو؛ ديل هوجن، فيليب؛ لو جالو، مانويل؛ سيباستيان أبو (سبتمبر 2025). "تدريب الشبكات العصبية المادية" . طبيعة . 645 (8079): 53–61 . أرخايف : 2406.03372 . بيب كود : 2025Natur.645...53M . دوى : 10.1038/s41586-025-09384-2 . ISSN 1476-4687 . PMID 40903603 .

[25] بول ويربوس ، ما وراء الانحدار: أدوات جديدة للتنبؤ والتحليل في العلوم السلوكية. أطروحة دكتوراه، جامعة هارفارد، 1974

[26] ويربوس، بي جيه (1990). "الانتشار العكسي عبر الزمن: وظيفته وكيفية تنفيذه" . وقائع معهد مهندسي الكهرباء والإلكترونيات . 78 (10): 1550-1560 . رمز Bibcode : 1990IEEEP..78.1550W . doi : 10.1109/5.58337 . ISSN 0018-9219 . S2CID 18470994 .

[Hahnloser2000-27] هانلوزر، ريتشارد إتش آر؛ ساربشكار، راهول؛ ماهوالد، ميشا إيه؛ دوغلاس، رودني جيه؛ سيونغ، إتش سيباستيان (2000). "الاختيار الرقمي والتضخيم التناظري يتعايشان في دارة سيليكون مستوحاة من القشرة الدماغية". مجلة نيتشر . 405 (6789): 947-951 . رمز Bibcode : 2000Natur.405..947H . doi : 10.1038/35016072 . ISSN 0028-0836 . PMID 10879535. S2CID 4399014 .

[Hahnloser2001-28] ر. هانلوسر؛ هـ. س. سيونغ (2001). المجموعات المسموح بها والممنوعة في الشبكات الخطية المتناظرة ذات العتبة . NIPS 2001.

[glorot2011-29] غلوروت، كزافييه؛ بوردس، أنطوان؛ بينجيو، يوشوا (2011). الشبكات العصبية المقومية المتفرقة العميقة (ملف PDF) . وقائع المؤتمر الدولي الرابع عشر حول الذكاء الاصطناعي والإحصاء. مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 24 يوليو 2015.

[30] يان ليكان ؛ ليون بوتو ؛ جينيفيف ب. أور؛ كلاوس-روبرت مولر (1998). "الانتشار العكسي الفعال" (ملف PDF) . في: ج. أور؛ ك. مولر (محرران). الشبكات العصبية: حيل المهنة . سبرينغر.

[maas2014-31] أندرو ل. ماس، عوني ي. حنون، أندرو ي. نغ (2014). تحسين النماذج الصوتية للشبكات العصبية باستخدام اللاخطية في المقومات ، Ai.stanford.edu

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[

[

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 25 ]

[ 26 ]

[ 27 ]،

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]

اللغة	العربية (RTL)
روابط موسوعية	30 رابطاً
المصدر الأصلي	ويكيبيديا ↗