الشبكة العصبية المتصاعدة

📅 آخر تحديث: ٣ أغسطس ٢٠٢٦
✍️ نُشر في: ٣ أغسطس ٢٠٢٦
📷 يحتوي على 9 صور
الموسوعة الحرة
يتم التحكم في الحشرة بواسطة شبكة عصبية متصاعدة للعثور على هدف في منطقة غير معروفة.

الشبكات العصبية المتصاعدة ( SNNs ) هي شبكات عصبية اصطناعية (ANN) تحاكي بشكل أوثق الشبكات العصبية الطبيعية. [1] تستفيد هذه النماذج من توقيت النبضات المنفصلة كحامل رئيسي للمعلومات. [2]

بالإضافة إلى الحالة العصبية والتشابكية ، تدمج الشبكات العصبية ذات العصبونات المفردة مفهوم الوقت في نموذج التشغيل الخاص بها. والفكرة هي أن الخلايا العصبية في الشبكة العصبية ذات العصبونات المفردة لا تنقل المعلومات في كل دورة انتشار (كما يحدث مع شبكات الإدراك الحسي متعددة الطبقات النموذجية )، بل تنقل المعلومات فقط عندما يصل جهد الغشاء -وهي صفة جوهرية للخلية العصبية تتعلق بشحنتها الكهربائية في الغشاء- إلى قيمة معينة تسمى العتبة. عندما يصل جهد الغشاء إلى العتبة، تنطلق الخلية العصبية، وتولد إشارة تنتقل إلى خلايا عصبية أخرى، والتي بدورها تزيد أو تقلل من إمكاناتها استجابة لهذه الإشارة. يُطلق على نموذج الخلية العصبية الذي ينطلق في لحظة عبور العتبة أيضًا نموذج الخلية العصبية المتصاعدة . [3]

على الرغم من الاعتقاد السابق بأن الدماغ يشفر المعلومات من خلال معدلات النبضات، والتي يمكن اعتبارها الناتج المتغير التناظري لشبكة عصبية اصطناعية تقليدية، [4] فقد أشارت الأبحاث في مجال علم الأعصاب إلى أن المعالجة عالية السرعة لا يمكن إجراؤها فقط من خلال مخطط قائم على المعدل. على سبيل المثال، يمكن للبشر أداء مهمة التعرف على الصور بمعدل لا يتطلب أكثر من 10 مللي ثانية من وقت المعالجة لكل خلية عصبية من خلال الطبقات المتعاقبة (من الشبكية إلى الفص الصدغي). هذه النافذة الزمنية قصيرة جدًا للترميز القائم على المعدل. تتمتع توقيتات النبضات الدقيقة في مجموعة صغيرة من الخلايا العصبية المتصاعدة أيضًا بسعة ترميز معلومات أعلى مقارنة بالنهج القائم على المعدل. [5]

النموذج الأكثر شهرة للخلايا العصبية المتصاعدة هو نموذج التكامل والإشعال المتسرب . [6] في نموذج التكامل والإشعال، يُعتبر مستوى التنشيط اللحظي (المُصمم كمعادلة تفاضلية ) عادةً حالة الخلية العصبية، مع دفع الأشواك الواردة لهذه القيمة إلى أعلى أو أقل، حتى تتحلل الحالة في النهاية أو -إذا تم الوصول إلى عتبة الإطلاق- تطلق الخلية العصبية. بعد الإطلاق، يتم إعادة تعيين متغير الحالة إلى قيمة أقل.

توجد طرق فك تشفير مختلفة لتفسير سلسلة المسامير الصادرة كرقم قيمة حقيقية، بالاعتماد إما على تردد المسامير ( رمز المعدل )، أو الوقت المستغرق حتى أول مسمار بعد التحفيز، أو الفاصل الزمني بين المسامير.

تاريخ

نموذج الخلايا العصبية النبضية
المشابك الاصطناعية القائمة على FTJs

العديد من الشبكات العصبية الاصطناعية متعددة الطبقات متصلة بشكل كامل ، حيث تتلقى المدخلات من كل خلية عصبية في الطبقة السابقة وترسل إشارات إلى كل خلية عصبية في الطبقة التالية. وعلى الرغم من أن هذه الشبكات حققت اختراقات في العديد من المجالات، إلا أنها غير دقيقة بيولوجيًا ولا تحاكي آلية عمل الخلايا العصبية في دماغ الكائن الحي. [ بحاجة لمصدر ]

تم اقتراح نموذج هودجكين-هكسلي المستوحى من علم الأحياء للخلايا العصبية المتصاعدة في عام 1952. يصف هذا النموذج كيفية بدء وانتشار إمكانات الفعل . يتم وصف الاتصال بين الخلايا العصبية، والذي يتطلب تبادل النواقل العصبية الكيميائية في الفجوة المشبكية ، في نماذج مختلفة، مثل نموذج التكامل والإشعال ، ونموذج فيتز هيو-ناغومو (1961-1962)، ونموذج هندمارش-روز (1984). يستخدم نموذج التكامل والإشعال المتسرب (أو المشتق) بشكل شائع لأنه أسهل في الحساب من نموذج هودجكين-هكسلي. [7]

في حين أن مفهوم الشبكة العصبية الاصطناعية المتصاعدة أصبح شائعًا جدًا فقط خلال الربع الأول من القرن الحادي والعشرين، [8] [9] [10] هناك عدد من الدراسات بين عامي 1980 و1995 التي دعمت المفهوم والتي ظهرت فيها النماذج الأولى لهذا النوع من الشبكات العصبية الاصطناعية لمحاكاة أنظمة معالجة المعلومات الذكية غير الخوارزمية. [11] [12] [13] ومع ذلك، فإن مفهوم الشبكة العصبية الاصطناعية المتصاعدة كنموذج رياضي كان قد تم العمل عليه بالفعل في أوائل السبعينيات. [14]

الأسس

يتم تمثيل المعلومات في الدماغ كإمكانات فعل (مسامير عصبية)، والتي يمكن تجميعها في سلاسل من المسامير أو حتى موجات منسقة من نشاط الدماغ. أحد الأسئلة الأساسية في علم الأعصاب هو تحديد ما إذا كانت الخلايا العصبية تتواصل بمعدل أو رمز زمني . [15] يشير التشفير الزمني إلى أن خلية عصبية واحدة ذات مسامير يمكن أن تحل محل مئات الوحدات المخفية على شبكة عصبية سيجمائية . [1]

تحسب الشبكة العصبية ذات العصبون الواحد في المجال المستمر وليس المجال المنفصل. والفكرة هنا هي أن الخلايا العصبية قد لا تختبر التنشيط في كل تكرار للانتشار (كما هي الحال في شبكة الإدراك الحسي متعددة الطبقات النموذجية )، ولكن فقط عندما تصل إمكانات غشاءها إلى قيمة معينة. فعندما يتم تنشيط خلية عصبية، فإنها تنتج إشارة تنتقل إلى الخلايا العصبية المتصلة، فترفع أو تخفض إمكانات غشاءها.

في الشبكة العصبية المتصاعدة، يتم تعريف الحالة الحالية للخلية العصبية على أنها إمكانات الغشاء (ربما يتم نمذجتها كمعادلة تفاضلية). [16] تتسبب نبضة الإدخال في ارتفاع إمكانات الغشاء لفترة زمنية ثم تنخفض تدريجيًا. تم إنشاء مخططات الترميز لتفسير تسلسلات النبضات هذه كرقم، مع مراعاة كل من تردد النبضة وفترة النبضة. يمكن إنشاء نموذج للشبكة العصبية يعتمد على وقت توليد النبضة. [17] باستخدام الوقت الدقيق لحدوث النبضة، يمكن للشبكة العصبية استخدام المزيد من المعلومات وتقديم خصائص حوسبة أفضل. [18]

يُنتج نهج SNN خرجًا مستمرًا بدلاً من الخرج الثنائي للشبكات العصبية الاصطناعية التقليدية (ANNs). لا يمكن تفسير قطارات النبضات بسهولة، ومن هنا تأتي الحاجة إلى مخططات الترميز كما هو مذكور أعلاه. ومع ذلك، قد يكون تمثيل قطار النبضات أكثر ملاءمة لمعالجة البيانات المكانية الزمنية (أو تصنيف البيانات الحسية المستمرة في العالم الحقيقي). [19] تنظر الشبكات العصبية SNN إلى الفضاء من خلال ربط الخلايا العصبية فقط بالخلايا العصبية القريبة بحيث تعالج كتل الإدخال بشكل منفصل (على غرار CNN باستخدام المرشحات). إنها تنظر إلى الوقت من خلال ترميز المعلومات كقطارات نبضات حتى لا تفقد المعلومات في الترميز الثنائي. هذا يتجنب التعقيد الإضافي للشبكة العصبية المتكررة (RNN). اتضح أن الخلايا العصبية النبضية هي وحدات حسابية أقوى من الخلايا العصبية الاصطناعية التقليدية. [20]

الشبكات العصبية الاصطناعية أقوى نظريًا من ما يسمى "شبكات الجيل الثاني" المحددة في [20] على أنها "[شبكات عصبية اصطناعية] تعتمد على وحدات حسابية تطبق دالة التنشيط بمجموعة مستمرة من قيم الإخراج المحتملة على مجموع مرجح (أو متعدد الحدود) للمدخلات؛ ومع ذلك، فإن مشكلات تدريب الشبكات العصبية الاصطناعية ومتطلبات الأجهزة تحد من استخدامها. وعلى الرغم من توفر طرق التعلم غير الخاضعة للإشراف المستوحاة من البيولوجيا مثل التعلم العبري و STDP ، إلا أنه لا توجد طريقة تدريب خاضعة للإشراف فعالة مناسبة للشبكات العصبية الاصطناعية التي يمكن أن توفر أداءً أفضل من شبكات الجيل الثاني. [20] إن التنشيط القائم على الأشواك للشبكات العصبية الاصطناعية غير قابل للاشتقاق مما يجعل من الصعب تطوير طرق تدريب تعتمد على الانحدار التدريجي لأداء الانتشار الخلفي للخطأ .

تتطلب الشبكات العصبية الاصطناعية تكاليف حسابية أكبر بكثير لمحاكاة النماذج العصبية الواقعية مقارنة بالشبكات العصبية الاصطناعية التقليدية. [21]

غالبًا ما يتم الخلط بين الشبكات العصبية المقترنة بالنبضات (PCNN) والشبكات العصبية ذات النبضات المترابطة (SNNs). يمكن اعتبار الشبكة العصبية المقترنة بالنبضات (PCNN) نوعًا من الشبكات العصبية ذات النبضات المترابطة (SNNs).

حاليًا، هناك بعض التحديات عند استخدام الشبكات العصبية أحادية النواة التي يعمل الباحثون بنشاط على حلها. يتعلق التحدي الأول بعدم قابلية التفاضل للخطية المتصاعدة. تحتوي التعبيرات لكل من طرق التعلم الأمامي والخلفي على مشتق دالة التنشيط العصبي التي لا يمكن التفاضل بينها لأن ناتج الخلية العصبية يكون إما 1 عندما تتصاعد، أو 0 بخلاف ذلك. يمنع هذا السلوك الكلي أو لا شيء للخطية المتصاعدة الثنائية التدرجات من "التدفق" ويجعل الخلايا العصبية LIF غير مناسبة للتحسين القائم على التدرج. يتعلق التحدي الثاني بتنفيذ خوارزمية التحسين نفسها. يمكن أن تكون BP القياسية باهظة الثمن من حيث الحساب والذاكرة والاتصال وقد تكون غير مناسبة للقيود التي تمليها الأجهزة التي تنفذها (على سبيل المثال، الكمبيوتر أو الدماغ أو الجهاز العصبي الشكلي). [22] فيما يتعلق بالتحدي الأول، هناك عدة طرق لحلها. فيما يلي بعض منها:

  1. اللجوء إلى قواعد التعلم المحلية المستوحاة بالكامل من الناحية البيولوجية للوحدات المخفية
  2. ترجمة الشبكات العصبية "القائمة على المعدل" المدربة تقليديًا إلى الشبكات العصبية ذات الذاكرة قصيرة المدى
  3. تنعيم نموذج الشبكة ليصبح قابلاً للتفاضل بشكل مستمر
  4. تعريف SG (التدرج البديل) باعتباره استرخاءً مستمرًا للتدرجات الحقيقية

في تطوير الشبكات العصبية ذات العصبونات المفردة، يمثل دمج ديناميكيات الخلايا العصبية الإضافية مثل التكيف مع ترددات الأشواك (SFA) في نماذج الخلايا العصبية تقدمًا ملحوظًا، مما يعزز كل من الكفاءة والقوة الحسابية. [6] [23] تقف هذه الخلايا العصبية بين التعقيد البيولوجي والتعقيد الحسابي. [24] انطلاقًا من الرؤى البيولوجية، تقدم SFA فوائد حسابية كبيرة من خلال تقليل استخدام الطاقة من خلال الترميز الفعال، [25] خاصة في حالات المحفزات المتكررة أو الشديدة. يعمل هذا التكيف على تحسين وضوح الإشارة مقابل الضوضاء الخلفية ويقدم ذاكرة أولية قصيرة المدى على مستوى الخلايا العصبية، مما يعمل بدوره على تحسين دقة وكفاءة معالجة المعلومات. [26] في الآونة الأخيرة، تم تحقيق هذه الظاهرة في الغالب باستخدام نماذج الخلايا العصبية المقصورية . الإصدارات الأبسط هي نماذج الخلايا العصبية ذات العتبات التكيفية، وهي طريقة غير مباشرة لتحقيق SFA. إنه يزود الشبكات العصبية ذات العصبونات المفردة بقدرات تعلم محسنة، حتى مع اللدونة المشبكية المقيدة، ويرفع من الكفاءة الحسابية. [27] [28] تعمل هذه الميزة على تقليل الطلب على طبقات الشبكة من خلال تقليل الحاجة إلى معالجة الأشواك، وبالتالي تقليل الحمل الحسابي ووقت الوصول إلى الذاكرة - وهي جوانب أساسية للحوسبة العصبية. علاوة على ذلك، تحقق الشبكات العصبية الاصطناعية التي تستخدم الخلايا العصبية القادرة على SFA مستويات من الدقة تنافس تلك الموجودة في الشبكات العصبية الاصطناعية التقليدية، بما في ذلك تلك القائمة على نماذج الذاكرة القصيرة المدى الطويلة، [29] [30] بينما تتطلب أيضًا عددًا أقل من الخلايا العصبية للمهام الحسابية القابلة للمقارنة. لا تعمل هذه الكفاءة على تبسيط سير العمل الحسابي فحسب، بل تحافظ أيضًا على المساحة والطاقة، مما يوفر خطوة عملية إلى الأمام في التطبيق العملي للشبكات العصبية الاصطناعية للمهام الحسابية المعقدة مع الحفاظ على الالتزام بالنزاهة الفنية. شبكات عصبية عالية الأداء ذات أشواك عميقة مع 0.3 شوكة لكل خلية عصبية

التطبيقات

يمكن تطبيق الشبكات العصبية ذات الذاكرة المفردة من حيث المبدأ على نفس التطبيقات مثل الشبكات العصبية الاصطناعية التقليدية. [31] بالإضافة إلى ذلك، يمكن للشبكات العصبية ذات الذاكرة المفردة نمذجة الجهاز العصبي المركزي للكائنات الحية، مثل الحشرة التي تبحث عن الطعام دون معرفة مسبقة بالبيئة. [32] ونظرًا لواقعيتها النسبية، يمكن استخدامها لدراسة تشغيل الدوائر العصبية البيولوجية . بدءًا من فرضية حول طوبولوجيا الدائرة العصبية البيولوجية ووظيفتها، يمكن مقارنة تسجيلات هذه الدائرة بمخرجات الشبكة العصبية ذات الذاكرة المفردة المقابلة، وتقييم مدى معقولية الفرضية. ومع ذلك، هناك نقص في آليات التدريب الفعالة للشبكات العصبية ذات الذاكرة المفردة، والتي يمكن أن تكون مثبطة لبعض التطبيقات، بما في ذلك مهام الرؤية الحاسوبية.

اعتبارًا من عام 2019، تتخلف الشبكات العصبية الاصطناعية عن الشبكات العصبية الاصطناعية من حيث الدقة، لكن الفجوة آخذة في التناقص، واختفت في بعض المهام. [33]

عند استخدام الشبكات العصبية الفردية للبيانات المستندة إلى الصور، يلزم تحويل الصور إلى سلاسل تسلسلية ثنائية. [34] تتضمن أنواع الترميزات ما يلي: [35]

  • الترميز الزمني؛ توليد نبضة واحدة لكل خلية عصبية، حيث يكون زمن انتظار النبضة متناسبًا عكسيًا مع شدة البكسل.
  • ترميز المعدل: تحويل كثافة البكسل إلى سلسلة من المسامير، حيث يكون عدد المسامير متناسبًا مع كثافة البكسل.
  • الترميز المباشر؛ استخدام طبقة قابلة للتدريب لتوليد قيمة فاصلة عائمة لكل خطوة زمنية. تقوم الطبقة بتحويل كل بكسل في خطوة زمنية معينة إلى قيمة فاصلة عائمة، ثم يتم استخدام عتبة على قيم الفاصلة العائمة المولدة لاختيار إما صفر أو واحد.
  • الترميز الطوري؛ ترميز المعلومات الزمنية في أنماط تصاعدية استنادًا إلى مذبذب عالمي.
  • الترميز المتفجر؛ نقل مجموعة من النبضات في وقت صغير، مما يزيد من موثوقية الاتصال المشبكي بين الخلايا العصبية.

برمجة

يمكن لمجموعة متنوعة من برامج التطبيقات محاكاة الشبكات العصبية الاصطناعية. ويمكن تصنيف هذه البرامج وفقًا لاستخداماتها:

محاكاة SNN

التعلم غير الخاضع للإشراف باستخدام المشابك الكهربائية الحديدية

تحاكي هذه النماذج العصبية المعقدة بمستوى عالٍ من التفاصيل والدقة. تتطلب الشبكات الكبيرة عادةً معالجة طويلة. ومن بين المرشحين: [36]

الأجهزة

التنبؤ بتعلم STDP باستخدام المشابك الكهربائية الحديدية
نموذج توجيه الشبكة العصبية إلى العصبية

ستشتمل البنيات العصبية الشكلية المستقبلية [39] على مليارات من هذه المشابك النانوية، والتي تتطلب فهمًا واضحًا للآليات الفيزيائية المسؤولة عن اللدونة. وقد تم استخدام الأنظمة التجريبية القائمة على الوصلات النفقية الكهروضوئية لإظهار أنه يمكن تسخير STDP من التبديل الاستقطابي غير المتجانس. من خلال التصوير المشترك لمسبار المسح والنقل الكهربائي وديناميكيات الجزيئات على المستوى الذري، يمكن نمذجة اختلافات التوصيل من خلال عكس المجالات التي يهيمن عليها التبلور. تُظهر المحاكاة أن مجموعات المشابك النانوية الكهروضوئية يمكنها أن تتعلم بشكل مستقل التعرف على الأنماط بطريقة يمكن التنبؤ بها، مما يفتح الطريق نحو التعلم غير الخاضع للإشراف . [40]

التعلم غير الخاضع للإشراف باستخدام المشابك الكهربائية الحديدية
  • Akida هو جهاز معالجة عصبية رقمي بالكامل يعتمد على الأحداث ويحتوي على 1.2 مليون خلية عصبية اصطناعية و10 مليارات مشبك اصطناعي طورته BrainChip . باستخدام الحيازة القائمة على الأحداث، يقوم بتحليل المدخلات الأساسية في نقاط محددة. يتم تخزين النتائج في وحدات الذاكرة الموجودة على الشريحة.
  • Neurogrid عبارة عن لوحة يمكنها محاكاة الشبكات العصبية المتصاعدة مباشرة في الأجهزة. (جامعة ستانفورد)
  • يستخدم SpiNNaker (هندسة الشبكات العصبية المتصاعدة) معالجات ARM كوحدات بناء لمنصة حوسبة متوازية ضخمة تعتمد على نموذج مهادي قشري مكون من ست طبقات . ( جامعة مانشستر ) [41] يعتمد نظام SpiNNaker على نماذج رقمية تعمل في الوقت الفعلي على شرائح رقمية متعددة النواة مخصصة باستخدام هندسة ARM . إنه يوفر شرائح رقمية مخصصة، كل منها يحتوي على ثمانية عشر نواة وذاكرة وصول عشوائي محلية مشتركة بسعة 128 ميجا بايت، بإجمالي أكثر من مليون نواة. [42] يمكن لشريحة واحدة محاكاة 16000 خلية عصبية مع ثمانية ملايين مشبك بلاستيكي يعمل في الوقت الفعلي. [43]
  • TrueNorth هو معالج يحتوي على 5.4 مليار ترانزستور يستهلك 70 ميلي واط فقط ؛ تحتوي معظم المعالجات في أجهزة الكمبيوتر الشخصية على حوالي 1.4 مليار ترانزستور وتتطلب 35 واط أو أكثر. تشير IBM إلى مبدأ التصميم وراء TrueNorth باسم الحوسبة الشكلية العصبية . الغرض الأساسي منه هو التعرف على الأنماط. بينما يقول المنتقدون إن الشريحة ليست قوية بما يكفي، يشير مؤيدوها إلى أن هذا هو الجيل الأول فقط، وستصبح قدرات التكرارات المحسنة واضحة. (IBM) [44]

معايير القياس

تم اختبار قدرات التصنيف لشبكات النبضات المدربة وفقًا لطرق التعلم غير الخاضعة للإشراف [45] على مجموعات البيانات المعيارية الشائعة، مثل مجموعة بيانات Iris أو Wisconsin Breast Cancer أو Statlog Landsat. [46] [47] تم استخدام طرق مختلفة لترميز المعلومات وتصميم الشبكة. على سبيل المثال، شبكة تغذية أمامية من طبقتين لتجميع البيانات وتصنيفها. بناءً على الفكرة المقترحة في Hopfield (1995)، نفذ المؤلفون نماذج للحقول الاستقبالية المحلية التي تجمع بين خصائص وظائف الأساس الشعاعي (RBF) وخلايا عصبية النبضات لتحويل إشارات الإدخال (البيانات المصنفة) التي لها تمثيل فاصلة عائمة إلى تمثيل نبضات. [48] [49]

انظر أيضا

مراجع

  1. ^ ab Maass W (1997). "شبكات الخلايا العصبية المسننة: الجيل الثالث من نماذج الشبكات العصبية". الشبكات العصبية . 10 (9): 1659– 1671. doi :10.1016/S0893-6080(97)00011-7. ISSN  0893-6080.
  2. ^ أوجي، دانييل؛ هيل، جوليان؛ مولر، إتيان؛ نول ، ألويس (2021-12-01). "دراسة استقصائية لتقنيات الترميز لمعالجة الإشارات في الشبكات العصبية المتصاعدة". رسائل المعالجة العصبية . 53 (6): 4693-4710 . doi : 10.1007/s11063-021-10562-2 . ISSN  1573-773X.
  3. ^ Gerstner W, Kistler WM (2002). Spiking neuron models : single neurons, populations, plasticity. Cambridge, UK: Cambridge University Press. ISBN 0-511-07817-X. OCLC  57417395.
  4. ^ وانج، شيانج وين؛ لين، شيانج هونغ؛ دانج، شياوتشاو (2020-05-01). "التعلم الخاضع للإشراف في الشبكات العصبية المتصاعدة: مراجعة للخوارزميات والتقييمات". الشبكات العصبية . 125 : 258– 280. doi : 10.1016/j.neunet.2020.02.011. ISSN  0893-6080. PMID  32146356. S2CID  212638634.
  5. ^ Taherkhani, Aboozar; Belatreche, Ammar; Li, Yuhua; Cosma, Georgina; Maguire, Liam P.; McGinnity, TM (2020-02-01). "مراجعة التعلم في الشبكات العصبية المتصاعدة المعقولة بيولوجيًا". الشبكات العصبية . 122 : 253– 272. doi :10.1016/j.neunet.2019.09.036. ISSN  0893-6080. PMID  31726331. S2CID  207904985.
  6. ^ ab Ganguly, Chittotosh; Bezugam, Sai Sukruth; Abs, Elisabeth; Payvand, Melika; Dey, Sounak; Suri, Manan (2024-02-01). "تكيف ترددات الأشواك: ربط النماذج العصبية وتطبيقات الأشكال العصبية". هندسة الاتصالات . 3 (1): 22. doi : 10.1038/s44172-024-00165-9 . ISSN  2731-3395. PMC 11053160 . 
  7. ^ Lee D, Lee G, Kwon D, Lee S, Kim Y, Kim J (يونيو 2018). "Flexon: A Flexible Digital Neuron for Efficient Spiking Neural Network Simulations". 2018 ACM/IEEE 45th Annual International Symposium on Computer Architecture (ISCA) . ص  275– 288. doi :10.1109/isca.2018.00032. ISBN 978-1-5386-5984-7. S2CID  50778421.
  8. ^ Goodman, DF, & Brette, R. (2008). Brian: a simulator for spiking neural networks in python. Frontiers in neuroinformatics, 2, 350.
  9. ^ فريكين، ج. (2003). ارتفاع الشبكات العصبية، مقدمة
  10. ^ Yamazaki, K.; Vo-Ho, VK; Bulsara, D.; Le, N (30 يونيو 2022). "الشبكات العصبية المتصاعدة وتطبيقاتها: مراجعة". علوم الدماغ . 12 (7): 863. doi : 10.3390/brainsci12070863 . PMC 9313413. PMID  35884670 . 
  11. ^ Ballard, DH (1987, July). التعلم المعياري في الشبكات العصبية. في وقائع المؤتمر الوطني السادس للذكاء الاصطناعي - المجلد 1 (ص 279-284).
  12. ^ بيريتو، ب. (1984). الخصائص الجماعية للشبكات العصبية: نهج الفيزياء الإحصائية. السيبرنيتيكا البيولوجية، 50(1)، 51-62.
  13. ^ كوروجي، س. (1987). نموذج للشبكة العصبية للتعرف على الأنماط المكانية الزمنية. السيبرنيتيكا البيولوجية، 57(1)، 103-114.
  14. ^ أندرسون، جيه إيه (1972). شبكة عصبية بسيطة تولد ذاكرة تفاعلية. العلوم البيولوجية الرياضية ، 14(3-4)، 197-220.
  15. ^ Gerstner W (2001). "Spiking Neurons". في Maass W, Bishop CM (المحرران). Pulsed Neural Networks . MIT Press. ISBN 978-0-262-63221-8.
  16. ^ Hodgkin, AL; Huxley, AF (1952-08-28). "وصف كمي للتيار الغشائي وتطبيقه على التوصيل والإثارة في العصب". مجلة علم وظائف الأعضاء . 117 (4): 500– 544. doi :10.1113/jphysiol.1952.sp004764. ISSN  0022-3751. PMC 1392413. PMID 12991237  . 
  17. ^ دان، يانج؛ بو، مو-مينج (يوليو 2006). "المرونة المعتمدة على توقيت الأشواك: من التشابك العصبي إلى الإدراك". المراجعات الفسيولوجية . 86 (3): 1033– 1048. doi :10.1152/physrev.00030.2005. ISSN  0031-9333. PMID  16816145.
  18. ^ ناغورنوف، نيكولاي ن.؛ لياخوف، بافيل أ.؛ بيرجرمان، ماكسيم ف.؛ كاليتا، ديانا آي. (2024). "الاتجاهات الحديثة في تحسين الخصائص التقنية للأجهزة والأنظمة لمعالجة الصور الرقمية". IEEE Access . 12 : 44659– 44681. Bibcode :2024IEEEA..1244659N. doi : 10.1109/ACCESS.2024.3381493 . ISSN  2169-3536.
  19. ^ Van Wezel M (2020). منهجية تدريب الشبكات العصبية المعيارية القوية لمجموعات البيانات المتسلسلة الزمنية: مع التركيز على التحكم بالإيماءات (أطروحة ماجستير العلوم). جامعة دلفت للتكنولوجيا.
  20. ^ abc Maass W (1997). "شبكات الخلايا العصبية المتصاعدة: الجيل الثالث من نماذج الشبكات العصبية". الشبكات العصبية . 10 (9): 1659– 1671. doi :10.1016/S0893-6080(97)00011-7.
  21. ^ فوربر، ستيف (أغسطس 2016). "أنظمة الحوسبة العصبية واسعة النطاق". مجلة الهندسة العصبية . 13 (5): 051001. رمز Bibcode : 2016JNEng..13e1001F. doi : 10.1088/1741-2560/13/5/051001. ISSN  1741-2552. PMID  27529195.
  22. ^ نفتشي، إمري أو.؛ ​​مصطفى، هشام؛ زينكي، فريدمان (2019). "التعلم التدرجي البديل في الشبكات العصبية المتصاعدة: جلب قوة التحسين القائم على التدرج إلى الشبكات العصبية المتصاعدة". مجلة معالجة الإشارات IEEE . 36 (6): 51– 63. رمز Bibcode : 2019ISPM...36f..51N. doi : 10.1109/msp.2019.2931595 .
  23. ^ Salaj, Darjan; Subramoney, Anand; Kraisnikovic, Ceca; Bellec, Guillaume; Legenstein, Robert; Maass, Wolfgang (2021-07-26). O'Leary, Timothy; Behrens, Timothy E; Gutierrez, Gabrielle (eds.). "تكيف ترددات الأشواك يدعم الحسابات الشبكية على المعلومات الموزعة زمنيًا". eLife . 10 : e65459. doi : 10.7554/eLife.65459 . ISSN  2050-084X. PMC 8313230. PMID 34310281  . 
  24. ^ Izhikevich, EM (2004). "أي نموذج يمكن استخدامه لخلايا عصبية ذات شقوق قشرية؟". IEEE Transactions on Neural Networks . 15 (5): 1063– 1070. doi :10.1109/tnn.2004.832719. PMID  15484883. S2CID  7354646. تم الاسترجاع في 2024-02-14 .
  25. ^ Adibi, M., McDonald, JS, Clifford, CW & Arabzadeh, E. Adaptation improves neural coding efficient though increased correlations in variation. J. Neurosci. 33, 2108–2120 (2013)
  26. ^ لافلين ، س. (1981). “إجراء الترميز البسيط يعزز قدرة المعلومات في الخلايا العصبية”. Zeitschrift für Naturforschung C. 36 ( 9– 10): 910– 912. ISSN  0341-0382. بميد  7303823.
  27. ^ Querlioz, Damien; Bichler, Olivier; Dollfus, Philippe; Gamrat, Christian (2013). "Immunity to Device Variations in a Spiking Neural Network With Memristive Nanodevices". معاملات معهد مهندسي الكهرباء والإلكترونيات في مجال تكنولوجيا النانو . 12 (3): 288– 295. رمز Bibcode :2013ITNan..12..288Q. doi :10.1109/TNANO.2013.2250995. S2CID  14416573. تم الاسترجاع في 2024-02-14 .
  28. ^ يامازاكي، كاشو؛ فو-هو، فيت-كوا؛ بولسارا، دارشان؛ لي، نجان (يوليو 2022). "الشبكات العصبية المتصاعدة وتطبيقاتها: مراجعة". علوم الدماغ . 12 (7): 863. doi : 10.3390/brainsci12070863 . ISSN  2076-3425. PMC 9313413. PMID 35884670  . 
  29. ^ Shaban, Ahmed; Bezugam, Sai Sukruth; Suri, Manan (2021-07-09). "خلية عصبية عتبة متكيفة للشبكات العصبية المتكررة ذات التنفيذ باستخدام أجهزة النانو". Nature Communications . 12 (1): 4234. Bibcode :2021NatCo..12.4234S. doi :10.1038/s41467-021-24427-8. ISSN  2041-1723. PMC 8270926. PMID 34244491  . 
  30. ^ Bellec, Guillaume; Salaj, Darjan; Subramoney, Anand; Legenstein, Robert; Maass, Wolfgang (2018-12-25), الذاكرة الطويلة والقصيرة المدى والتعلم من أجل التعلم في شبكات الخلايا العصبية المسننة ، arXiv : 1803.09574
  31. ^ النجار ف، موراس ك (2008). "شبكة عصبية بسيطة شبيهة بالنباتات الأبليسيا لتوليد سلوك تكيفي في الروبوتات المستقلة". السلوك التكيفي . 14 (5): 306-324 . doi :10.1177/1059712308093869. S2CID  16577867.
  32. ^ Zhang X, Xu Z, Henriquez C, Ferrari S (Dec 2013). "التدريب غير المباشر القائم على الأشواك لحشرة افتراضية يتم التحكم فيها عن طريق الشبكة العصبية الأشواك". المؤتمر الثاني والخمسون لمعهد مهندسي الكهرباء والإلكترونيات حول اتخاذ القرار والتحكم . ص.  6798– 6805. CiteSeerX 10.1.1.671.6351 . doi :10.1109/CDC.2013.6760966. ISBN  978-1-4673-5717-3. S2CID  13992150.
  33. ^ Tavanaei A, Ghodrati M, Kheradpisheh SR, Masquelier T, Maida A (مارس 2019). "التعلم العميق في الشبكات العصبية المتصاعدة". الشبكات العصبية . 111 : 47– 63. arXiv : 1804.08150 . doi : 10.1016/j.neunet.2018.12.002. PMID  30682710. S2CID  5039751.
  34. ^ Yamazaki K, Vo-Ho VK, Bulsara D, Le N (يونيو 2022). "Spiking Neural Networks and Their Applications: A Review". Brain Sciences . 12 (7): 863. doi : 10.3390/brainsci12070863 . PMC 9313413. PMID  35884670 . 
  35. ^ كيم واي، بارك اتش، مويترا ايه، بهاتاشارجي ايه، فينكاتيشا واي، باندا بي (2022-01-31). "الترميز المعدل أو الترميز المباشر: أيهما أفضل للشبكات العصبية الدقيقة والقوية والموفرة للطاقة؟". arXiv : 2202.03133 [cs.NE].
  36. ^ Abbott LF, Nelson SB (نوفمبر 2000). "المرونة المشبكية: ترويض الوحش". Nature Neuroscience . 3 (S11): 1178– 1183. doi :10.1038/81453. PMID  11127835. S2CID  2048100.
  37. ^ Atiya AF, Parlos AG (مايو 2000). "نتائج جديدة حول تدريب الشبكة المتكررة: توحيد الخوارزميات وتسريع التقارب". معاملات IEEE للشبكات العصبية . 11 (3): 697– 709. doi :10.1109/72.846741. PMID  18249797.
  38. ^ Sanaullah S, Koravuna S, Rückert U, Jungeblut T (أغسطس 2023). "تقييم تصنيف الصور المستند إلى الشبكات العصبية باستخدام محاكي وقت التشغيل RAVSim". المجلة الدولية للأنظمة العصبية . 33 (9): 2350044. doi :10.1142/S0129065723500442. PMID  37604777. S2CID  259445644.
  39. ^ Sutton RS, Barto AG (2002) Reinforcement Learning: An Introduction. Bradford Books, MIT Press, Cambridge, MA.
  40. ^ Boyn S, Grollier J, Lecerf G, Xu B, Locatelli N, Fusil S, et al. (أبريل 2017). "التعلم من خلال ديناميكيات المجال الكهروضوئي في المشابك العصبية ذات الحالة الصلبة". Nature Communications . 8 : 14736. Bibcode :2017NatCo...814736B. doi :10.1038/ncomms14736. PMC 5382254. PMID  28368007 . 
  41. ^ Jin X, Furber SB, Woods JV (2008). "النمذجة الفعّالة للشبكات العصبية المتصاعدة على معالج متعدد الشرائح قابل للتطوير". مؤتمر IEEE الدولي المشترك للشبكات العصبية (مؤتمر IEEE العالمي للذكاء الحاسوبي) 2008. ص  2812– 2819. doi :10.1109/IJCNN.2008.4634194. ISBN 978-1-4244-1820-6. S2CID  2103654.
  42. ^ "الحوسبة العصبية". مشروع الدماغ البشري .
  43. ^ "الأجهزة: الأنظمة المتاحة". مشروع الدماغ البشري . تم الاسترجاع في 10 مايو 2020 .
  44. ^ ماركوف ج (8 أغسطس 2014). "تقول آي بي إم إن الشريحة الجديدة تعمل مثل الدماغ". نيويورك تايمز . ص. ب1.
  45. ^ Ponulak F, Kasiński A (فبراير 2010). "التعلم الخاضع للإشراف في الشبكات العصبية المتصاعدة باستخدام ReSuMe: تعلم التسلسل والتصنيف وتحويل التصاعد". الحوسبة العصبية . 22 (2): 467– 510. doi :10.1162/neco.2009.11-08-901. PMID  19842989. S2CID  12572538.
  46. ^ Newman D، Hettich S، Blake C، Merz C (1998). "مستودع قواعد بيانات التعلم الآلي بجامعة كاليفورنيا في إيرفين".
  47. ^ Bohte S, Kok JN, La Poutré H (2002). "انتشار الخطأ في الشبكات المشفرة زمنيًا للخلايا العصبية المسننة". Neurocomputing . 48 ( 1– 4): 17– 37. doi :10.1016/S0925-2312(01)00658-0.
  48. ^ Pfister JP، Toyoizumi T، Barber D، Gerstner W (يونيو 2006). "المرونة المثلى المعتمدة على توقيت النبضة لإطلاق جهد الفعل الدقيق في التعلم الخاضع للإشراف". الحوسبة العصبية . 18 (6): 1318– 1348. arXiv : q-bio/0502037 . Bibcode :2005q.bio.....2037P. doi :10.1162/neco.2006.18.6.1318. PMID  16764506. S2CID  6379045.
  49. ^ Bohte SM, La Poutré H, Kok JN (مارس 2002). "التجمع غير الخاضع للإشراف مع الخلايا العصبية المتصاعدة بواسطة الترميز الزمني المتفرق وشبكات RBF متعددة الطبقات". معاملات IEEE للشبكات العصبية . 13 (2): 426– 435. doi :10.1109/72.991428. PMID  18244443.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Spiking_neural_network&oldid=1266934925"
Original text
Rate this translation
Your feedback will be used to help improve Google Translate