biological neural networks
PulseAugur coverage of biological neural networks — every cluster mentioning biological neural networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架将生物神经网络与硅计算接口
研究人员开发了一个名为Embodied Neurocomputation的新框架，旨在连接生物神经网络（BNNs）与传统的硅计算。该框架解决了生物体与数字接口之间最优编码和解码机制的挑战。在一个模拟的网格世界导航任务中，该系统在4000小时内评估了约1300个参数组合，确定了12种能够持续学习的配置。在给定的交互预算内，这些生物-硅混合配置在同一任务上的表现优于优化的硅基深度Q网络（Deep Q-Network）智能体，为未来的生物-…
-
新框架改进了人工智能到大脑的神经网络对齐
研究人员开发了一个新的计算框架，以改进生物和人工神经网络之间的双向对齐。该框架整合了谱正则化和双向预测性分析，旨在解决人工智能模型比反之更能预测神经反应的不对称性问题。通过引导学习表征的谱几何，该方法在双向预测性方面实现了 55% 的相对改进，表明表征几何在此对齐中起着关键作用。
-
生物神经网络研究发现基于脉冲的编码最有效
一篇新发表在arXiv上的研究论文探讨了生物神经网络（BNNs）在闭环分类任务中的各种编码策略。该研究由Martin Schottlender领导，比较了基于速率、基于相位、基于脉冲和首次脉冲到达时间等时间编码方法。结果表明，基于脉冲的时间编码在二元分类任务中达到了最高的准确率，为95.6%，显著优于其他方法。研究还强调了空间刺激分布的关键作用，表明有效的生物数字计算需要优化时间和空间编码。
-
新框架将生物神经网络与硅基系统对接
研究人员开发了一个名为“具身神经计算”的新框架，旨在连接生物神经网络（BNNs）与传统的硅基计算。该方法解决了优化活体神经培养物与数字系统之间用于信息处理的接口的挑战。在一个模拟的网格世界导航任务中，该框架成功优化了BNN代理的编码参数，识别出在相同交互预算内性能优于硅基代理的12种配置。