هوش مصنوعی شبکه های عصبی اسپایکینگSNNs

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 343

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MEHACONF01_079

تاریخ نمایه سازی: 4 شهریور 1401

چکیده مقاله:

این مفهوم که اطلاعات عصبی در سرعت شلیک نورون ها رمزگذاری می شود، الگوی غالب در زیست شناسی عصبی برای سال ها بوده است. این پارادایمتوسط نظریه شبکه های عصبی مصنوعی نیز پذیرفته شده است. با این حال، آزمایش های فیزیولوژیکی اخیر نشان می دهد که در بسیاری از بخش های سیستمعصبی، کد عصبی بر اساس زمانبندی پتانسیل های عمل فردی بنا شده است. این یافته باعث پیدایش دسته جدیدی از مدل های عصبی به نام شبکه های عصبیspiking شده است. در این مقاله ویژگی های اساسی نورون های اسپکینگ و شبکه های اسپکینگ را خلاصه میکنیم. تمرکز ما به طور خاص بر روی مدل هایکدگذاری اطلاعات مبتنی بر سنبله، شکل پذیری سیناپسی و یادگیری است. ما همچنین کاربردهای واقعی مدل های spiking را بررسی می کنیم. این مقاله قرار است مقدم های بر شبکه های عصبی اسپک برای دانشمندان رشته های مختلف علاقه مند به پردازش عصبی مبتنی بر سنبله باشد.شبکه های عصبی (SNN) Spiking نسل سوم شبکه های عصبی مصنوعی هستند که از نزدیک جنبه های رمزگذاری زمان و پردازش اطلاعات مغز انسان را تقلید می کنند. فرض شده است که این شبکه ها برای تحقق سیستم های محاسباتی شناختی در مقایسه با شبکه های نسل دوم که امروزه به طور گسترده در الگوریتم های یادگیری ماشین استفاده می شوند، کارآمدتر هستند. در این مقاله، الگوریتم های یادگیری، نمایش های سخت افزاری و کاربردهای بالقوه سیستم های یادگیری مبتنی بر SNN را بررسی می کنیم

نویسندگان

شادی ایروانی

دانشجوی کارشناسی ارشد دانشگاه خواجه نصیرالدین طوسی رشته کامپیوتر

آرینا افتقار

دانشجوی کارشناسی ارشد دانشگاه خواجه نصیرالدین طوسی رشته کامپیوتر