| dbo:abstract
|
- Gepulste neuronale Netze (kurz: SNN, englisch: Spiking neural networks) sind eine Variante künstlicher neuronaler Netzwerke, die näher an biologischen neuronalen Netzen sind als beispielsweise das mehrlagige Perzeptron. Gepulste neuronale Netze werden auch als Netze der dritten Generation bezeichnet. Das erste wissenschaftliche Modell von gepulsten neuronalen Netzen wurde 1952 von Alan Lloyd Hodgkin und Andrew Huxley eingeführt. Dieses Modell beschreibt, wie Aktionspotentiale starten und durch das Netz propagiert werden. Die Pulse werden im Allgemeinen jedoch nicht direkt von Neuron zu Neuron weitergeleitet, sondern über chemische Substanzen (sogenannte Neurotransmitter) im synaptischen Spalt. Die Komplexität und Vielfalt biologischer Neuronen haben zu einigen Neuronenmodellen geführt: Das Integrate-and-Fire-Neuron (1907), das FitzHugh-Nagumo-Modell (1961–1962) und das Hindmarsh-Rose-Modell (1984). Aus Sicht der Informationstheorie ist ein Modell gesucht, das erklärt, wie Informationen durch Pulse codiert und decodiert werden. So ist beispielsweise nicht abschließend geklärt, ob die Informationen durch die Feuerrate oder durch eine zeitliche Codierung übertragen werden. (de)
- Las redes neuronales de impulsos (en inglés: spiking neural networks) son un tipo de redes neuronales artificiales más realistas que las redes neuronales artificiales clásicas, es decir, procesan la información de una forma más similar a las redes neuronales biológicas. (es)
- Les réseaux de neurones à impulsions (SNN: Spike Neural Networks, en anglais) sont un raffinement des réseaux de neurones artificiels (ANN: Artificial Neural Network, en anglais) où l’échange entre neurones repose sur l’intégration des impulsions et la redescente de l’activation, à l’instar des neurones naturels. L’encodage est donc temporel et binaire. Le caractère binaire pose une difficulté de continuité au sens mathématique (cela empêche notamment l’utilisation des techniques de rétropropagation des coefficients - telle que la descente de gradient - utilisées classiquement dans les méthodes d'apprentissage). L’encodage en temps pose de même des problèmes d’interprétation. Ces inconvénients sont aussi des avantages dans une perspective spatio-temporelle : l’intégration limite l’activation aux neurones voisins (espace) et tolère la perte d’information (temps). Ces éléments rendent les SNN théoriquement plus puissants que d’autres types d’ANN globalement dérivés de l'algorithme du perceptron. Les difficultés d’implémentation matérielle et de méthode d’apprentissage semblent toutefois des freins à l’émergence des SNN; l'industrie présente cependant des solutions commerciales depuis 2017 avec diverses annonces évoquant un intérêt pratique en termes de complexité adressable et d'efficacité énergétique. (fr)
- Spiking neural networks (SNNs) are artificial neural networks that more closely mimic natural neural networks. In addition to neuronal and synaptic state, SNNs incorporate the concept of time into their operating model. The idea is that neurons in the SNN do not transmit information at each propagation cycle (as it happens with typical multi-layer perceptron networks), but rather transmit information only when a membrane potential – an intrinsic quality of the neuron related to its membrane electrical charge – reaches a specific value, called the threshold. When the membrane potential reaches the threshold, the neuron fires, and generates a signal that travels to other neurons which, in turn, increase or decrease their potentials in response to this signal. A neuron model that fires at the moment of threshold crossing is also called a spiking neuron model. The most prominent spiking neuron model is the leaky integrate-and-fire model. In the integrate-and-fire model, the momentary activation level (modeled as a differential equation) is normally considered to be the neuron's state, with incoming spikes pushing this value higher or lower, until the state eventually either decays or - if the firing threshold is reached - the neuron fires. After firing the state variable is reset to a lower value. Various decoding methods exist for interpreting the outgoing spike train as a real-value number, relying on either the frequency of spikes (rate-code), the time-to-first-spike after stimulation, or the interval between spikes. (en)
- Una rete neurale spiking, in sigla SNN (dall'inglese spiking neural network), è una rete neurale artificiale a impulso che tenta di mimare più realmente le reti neurali naturali. Oltre allo stato sinaptico e neuronale una rete di questo tipo incorpora anche il concetto di tempo nel suo modello operativo. L'idea è che i neuroni artificiali non attivino in automatico ognuno un ciclo di propagazione come nelle reti multistrato con percettrone, ma piuttosto quando un potenziale di membrana - una intrinseca qualità del neurone correlata alla carica della sua membrana elettrica - raggiunge uno specifico valore. Quando un neurone si attiva genera un segnale che viaggia verso altri neuroni, che a turno incrementano o decrementano i loro potenziali in accordo a questo segnale. Per le SNN, l'attuale livello di attivazione (modellato come una equazione differenziale) è normalmente considerato uno stato del neurone, che con impulsi in arrivo spinge questo valore più in alto e poi si attiva o decade nel tempo. Esistono vari "metodi di codifica" per interpretare l'uscita del "treno di impulsi" come numero reale, facendo affidamento sulla frequenza dei picchi o sul tempo tra i picchi, per codificare le informazioni. (it)
- Импульсная нейронная сеть (ИмНС, англ. Pulsed neural networks, PNN) или Спайковая нейронная сеть (СНН, англ. Spiking neural network, SNN) — третье поколение искусственных нейронных сетей (ИНС), которое отличается от бинарных (первое поколение) и частотных/скоростных (второе поколение) ИНС тем, что в нем нейроны обмениваются короткими (у биологических нейронов — около 1—2 мс) импульсами одинаковой амплитуды (у биологических нейронов — около 100 мВ).Является самой реалистичной, с точки зрения физиологии, моделью ИНС. (ru)
|
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 31283 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| dbp:wikiPageUsesTemplate
| |
| dcterms:subject
| |
| rdf:type
| |
| rdfs:comment
|
- Las redes neuronales de impulsos (en inglés: spiking neural networks) son un tipo de redes neuronales artificiales más realistas que las redes neuronales artificiales clásicas, es decir, procesan la información de una forma más similar a las redes neuronales biológicas. (es)
- Импульсная нейронная сеть (ИмНС, англ. Pulsed neural networks, PNN) или Спайковая нейронная сеть (СНН, англ. Spiking neural network, SNN) — третье поколение искусственных нейронных сетей (ИНС), которое отличается от бинарных (первое поколение) и частотных/скоростных (второе поколение) ИНС тем, что в нем нейроны обмениваются короткими (у биологических нейронов — около 1—2 мс) импульсами одинаковой амплитуды (у биологических нейронов — около 100 мВ).Является самой реалистичной, с точки зрения физиологии, моделью ИНС. (ru)
- Gepulste neuronale Netze (kurz: SNN, englisch: Spiking neural networks) sind eine Variante künstlicher neuronaler Netzwerke, die näher an biologischen neuronalen Netzen sind als beispielsweise das mehrlagige Perzeptron. Gepulste neuronale Netze werden auch als Netze der dritten Generation bezeichnet. Aus Sicht der Informationstheorie ist ein Modell gesucht, das erklärt, wie Informationen durch Pulse codiert und decodiert werden. So ist beispielsweise nicht abschließend geklärt, ob die Informationen durch die Feuerrate oder durch eine zeitliche Codierung übertragen werden. (de)
- Les réseaux de neurones à impulsions (SNN: Spike Neural Networks, en anglais) sont un raffinement des réseaux de neurones artificiels (ANN: Artificial Neural Network, en anglais) où l’échange entre neurones repose sur l’intégration des impulsions et la redescente de l’activation, à l’instar des neurones naturels. L’encodage est donc temporel et binaire. Ces inconvénients sont aussi des avantages dans une perspective spatio-temporelle : l’intégration limite l’activation aux neurones voisins (espace) et tolère la perte d’information (temps). (fr)
- Spiking neural networks (SNNs) are artificial neural networks that more closely mimic natural neural networks. In addition to neuronal and synaptic state, SNNs incorporate the concept of time into their operating model. The idea is that neurons in the SNN do not transmit information at each propagation cycle (as it happens with typical multi-layer perceptron networks), but rather transmit information only when a membrane potential – an intrinsic quality of the neuron related to its membrane electrical charge – reaches a specific value, called the threshold. When the membrane potential reaches the threshold, the neuron fires, and generates a signal that travels to other neurons which, in turn, increase or decrease their potentials in response to this signal. A neuron model that fires at the (en)
- Una rete neurale spiking, in sigla SNN (dall'inglese spiking neural network), è una rete neurale artificiale a impulso che tenta di mimare più realmente le reti neurali naturali. Oltre allo stato sinaptico e neuronale una rete di questo tipo incorpora anche il concetto di tempo nel suo modello operativo. L'idea è che i neuroni artificiali non attivino in automatico ognuno un ciclo di propagazione come nelle reti multistrato con percettrone, ma piuttosto quando un potenziale di membrana - una intrinseca qualità del neurone correlata alla carica della sua membrana elettrica - raggiunge uno specifico valore. Quando un neurone si attiva genera un segnale che viaggia verso altri neuroni, che a turno incrementano o decrementano i loro potenziali in accordo a questo segnale. (it)
|
| rdfs:label
|
- Gepulste neuronale Netze (de)
- Red neuronal de impulsos (es)
- Réseau de neurones à impulsions (fr)
- Rete neurale spiking (it)
- Spiking neural network (en)
- Импульсная нейронная сеть (ru)
|
| rdfs:seeAlso
| |
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:wikiPageDisambiguates
of | |
| is dbo:wikiPageRedirects
of | |
| is dbo:wikiPageWikiLink
of | |
| is rdfs:seeAlso
of | |
| is foaf:primaryTopic
of | |
