شبکه عصبی اسپایکی: تفاوت میان نسخه‌ها

 

 

نورون ها در این شبکه های عصبی توسط معادلات دیفرانسیل جریانی یا ولتاژی مدل میشوند. در مدل جریانی، اندازه ی جریان به عنوان متغیر حالت مدل نورون در نظر گرفته میشود. با دریافت هر اسپایک یا سطح این جریان افزایش می یابد و نورون دریافت کننده در نهایت یک اسپایک تولید میکند و یا اینکه جریان دریافتی مکانیسم های کاهش جریان را درنورون دریافت کننده فعال نموده و سبب مهار آن میشود. اسپایک ها به صورت قطارهای اسپایکی (متغیر گسسته در زمان) تولید و منتشر میشوند و برای تبدیل آنها به متغیر پیوسته در زمان، روش های ''کدگذاری'' متنوعی وجود دارد. محاسبه فرکانس اسپایک ها و یا فاصله ی زمانی بین دو اسپایک متوالی از روشهایی هستند که برای این منظور به کار گرفته میشوند.

 

ساختار شبکه های عصبی مصنوعی معمولا به گونه ای طراحی میشود که تمامی نورونها به یکدیگر متصل هستند و یک شبکه fully connected را ایجاد میکنند. این نورونها از تمامی نورونهای لایه ی قبل ورودی گرفته و خروجی خود را به تمامی نورونهای لایه ی بعد ارسال میکنند. اگرچه این شبکه ها کاربردهای ''یادگیری ماشین'' در زمینه های مختلف را به طرز چشمگیری دگرگون نموده و منجر به نتایج فوق العاده ای شده اند، مکانیسم یادگیری و انتشار اطلاعات در آنها دقیقا منطبق با مکانیسم های شناخته شده در شبکه های عصبی زیستی نیستند <ref>{{یادکرد وب|نشانی = https://towardsdatascience.com/spiking-neural-networks-the-next-generation-of-machine-learning-84e167f4eb2b ‏|عنوان = Spiking Neural Networks, the Next Generation of Machine Learning}}</ref>.

 

شبکه های عصبی اسپایکی علاوه بر شبیه سازی نرم افزاری، روی سخت افزارها نیز پیاده سازی میشوند و شاخه ای از تکنولوژی که به دنبال طراحی و پیاده سازی سخت افزاری شبکه های عصبی اسپایکی است با عنوان [https://en.wikipedia.org/wiki/Neuromorphic_engineering مهندسی نورومورفیک] شناخته میشود. [https://en.wikipedia.org/wiki/Brain_implant BrainChip] اولین تراشه تجاری است که یه سیستم مبتنی بر شبکه های عصبی اسپایکی بر روی آن پیاده سازی شده است.

 

شبکه های عصبی اسپایکی معمولا در کاربردهایی مورد استفاده قرار میگیرند که پیش از این شبکه های عصبی غیر اسپایکی به کار گرفته شده اند <ref>Alnajjar, F.; Murase, K. (2008). "A simple Aplysia-like spiking neural network to generate adaptive behavior in autonomous robots". Adaptive Behavior. 14 (5): 306–324. </ref>. علاوه بر این کابردهای مربوط به یادگیری ماشین، شبکه های عصبی اسپایکی در مدلسازی سیستم عصبی مرکزی ارگانیسم های زیستی، مانند سیستم جستجوی غذا در حشرات بدون دانش اولیه نسبت به محیط <ref>X Zhang; Z Xu; C Henriquez; S Ferrari (Dec 2013). Spike-based indirect training of a spiking neural network-controlled virtual insect. IEEE Decision and Control. pp. 6798–6805 </ref>، نیز کاربرد دارند. به دلیل مشابهت نسبی آنها با شبکه های عصبی زیستی، از شبکه های عصبی اسپایکی برای مطالعه ی مدارهای نورونی زیستی نیز استفاده میشود. در این کاربردها ابتدا فرضیه ای درمورد ارتباط توپولوژی مدارهای نورونی زیستی با عملکرد (function) این مدارها (شبکه ها) مطرح میگردد، سپس، این مدل محاسباتی شبیه سازی شده و فعالیت نورون ها (و یا سایر متغیرهای حالت) در مدت زمان اجرا ثبت میشوند. سیگنال های ثبت شده در نهایت با سیگنال های ثبت شده از سیستم زنده مقایسه می شوند و فرضیه ابتدایی تایید یا رد میگردد.

شبکه های عصبی اسپایکی بیشتر از اینکه کاربردهای مهندسی داشته باشند در نوروساینس مورد استفاده قرار میگرند. در کاربردهای مهندسی معمولا شبکه ای تصادفی با تعداد بسیار زیادی از نورون ها طراحی میشود و قطارهای اسپایکی ثبت شده از نورون های این شبکه، با میانگین گیری زمانی (-مکانی) به کمیت های عددی پیوسته تبدیل شده و برای تعلیم وزنهای یک لایه ی خروجی خطی مورد استفاده قرار میگیرند. این ساختار و روش تعلیم شبکه های عصبی بازگشتی با عنوان [[https://en.wikipedia.org/wiki/Reservoir_computing | Reservoir Computing]] شناخته میشود.

 

برای شبیه سازی شبکه های عصبی اسپایکی روی کامپیوترهای دیجیتال، نرم افزارهای و ابزارهای متنوعی توسعه داده شده اند.