هوش مصنوعی شبکه های عصبی اسپایکینگSNNs

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

Keywords:

هوش مصنوعی , نورومورفیک , spiking , SNN