Skip to main content

Real-time Spiking Networks for Robot Control

Article Category

Article available in the folowing languages:

Dążenie do optymalizacji przechowywania informacji

Z myślą o skonstruowaniu robotów przystosowujących się w czasie rzeczywistym przeprowadzono rozległe badania nad różnymi aspektami neuronów biologicznych, które można zaimplementować w postaci architektur sprzętowych i wykorzystać do sterowania silnikami.

Gospodarka cyfrowa

Ostatnio poczyniono znaczne postępy w dziedzinie sztucznej inteligencji i uczenia się maszyn, jednakże największe problemy w tej dziedzinie nadal nie są rozwiązane. Dotyczą one powszechnej u ludzi i zwierząt zdolności uczenia się oraz finezji ruchów, czyli umiejętności z trudem naśladowanych przez maszyny. Czy neurony mózgowe stanowią platformę obliczeniową, której charakterystyka pozwoliłaby nadać maszynom takie zdolności i wykorzystać je w praktyce? Badając neuronowe mechanizmy przetwarzania sygnałów w mózgu, zespół projektu SPIKEFORCE dążył do uzyskania odpowiedzi na podobne pytania dotyczące metod obliczeniowych używanych w obecnych komputerach i układach scalonych. Neurony w mózgu przetwarzają sygnały analogowe o ciągłej skali wartości, natomiast ich komunikacja odbywa się za pomocą sygnałów impulsowych i w istocie jest cyfrowa oraz przebiega asynchronicznie. Koordynowane przez École Normale Supérieure prace uczestników projektu koncentrowały się na badaniu, w jaki sposób neurony impulsujące umożliwiają szybkie podejmowanie decyzji, a co ważniejsze — stałe uczenie się. Ponieważ informacje są przechowywane w mózgu jako zmiany w efektywności synaps pobudzających, zauważono, że ich niezależne działanie powinno przynieść zasadniczą korzyść: maksymalizację pojemności informacyjnej. Badano również związek między rozkładem zmian w efektywności synaptycznej a przyswojoną wiedzą, a także sposobem uczenia się. Do tego celu wykorzystano prototypową jednokierunkową sieć neuronową. Zadanie powierzone sieci neuronowej polegało na nauczeniu się możliwie największej liczby skojarzeń wejścia z wyjściem przy danym poziomie wiarygodności. Posługując się technikami analitycznymi szeroko stosowanymi w mechanice statystycznej systemów informacji rozproszonej, obliczono maksymalną pojemność informacyjną sieci neuronowej. Stwierdzono, że maksymalna pojemność zależy od szeregu parametrów sieci, ale — co najważniejsze — optymalny rozkład modyfikacji synaptycznych powinien zawierać większość synaps milczących. Co więcej, układ synaps przypominał rozkład modyfikacji synaptycznych znany z badań nad synapsami móżdżkowymi. Okazało się więc, że poprzez zgłębianie reakcji synaptycznych można poszerzyć wiedzę o procesach uczenia się i zapamiętywania.

Znajdź inne artykuły w tej samej dziedzinie zastosowania