对深度学习中心的一项主要批评围绕用于学习的信用分配模式的生物学不可能 - 错误的反向传播。这种难以置信的性能转化为实际的局限性,涵盖了科学领域,包括与硬件和非差异实现的不兼容,从而导致了昂贵的能源需求。相比之下,生物学上合理的信用分配实际上与任何学习条件兼容,并且具有节能。因此,它适合硬件和科学建模,例如通过物理系统和非不同的行为学习。此外,它可以导致实时,自适应神经形态处理系统的发展。在解决这个问题时,已经出现了神经科学,认知科学和机器学习的交集的人工智能研究的跨学科分支。在本文中,我们调查了几种重要的算法,这些算法对人工神经网络中的信用分配规则进行了建模,讨论了它们为不同的科学领域提供的解决方案,以及它们在CPU,GPU和新颖的神经形态硬件实现方面提供的优势。我们通过探讨将需要解决的未来挑战,以使这种算法在实际应用中更有用。
主要关键词