XiaoMi-AI文件搜索系统
World File Search System神经计算
使用神经信息流进行端到端神经系统识别 Seeliger, K.；安布罗吉奥尼，L.； Güçlütürk，Y.；古克吕，美国；格文，MAJ van 2021，
神经信息流 (NIF) 为神经科学中的系统识别提供了一种新方法。它模拟多个大脑区域中的神经计算，并且可以通过非侵入性数据的随机梯度下降进行端到端训练。NIF 模型通过耦合张量网络表示神经信息处理，每个张量都编码大脑区域中包含的感官输入的表示。这些张量的元素可以解释为皮质柱，其活动编码了时空位置中特定特征的存在。每个张量都通过低秩观察模型与特定于大脑区域的测量数据耦合，这些低秩观察模型可以分解为局部神经元群的空间、时间和特征感受野。这些观察模型和定义区域内信息处理的卷积权重都是通过预测感官刺激期间的神经信号端到端学习的。我们使用单个参与者记录的大规模 fMRI 数据集对早期视觉区域活动训练了一个 NIF 模型。我们表明，我们可以恢复与实证结果一致的合理的视觉表征和群体感受野。
分形大脑：结构和动力学中的尺度不变性
过去 40 年来，人们对大脑的分形结构和无标度动力学进行了广泛的研究。尽管取得了相当大的进展，但尚未形成全面的图景，需要进一步将其与大脑功能的机械解释联系起来。在这里，我们回顾了这些概念，从结构和功能的角度将不同组织层次的观察联系起来。我们认为，矛盾的是，从结构的角度来看，皮层电路的层次是最不为人理解的，而从动态的角度来看，皮层电路的层次可能是研究得最好的。我们进一步将关于无标度和分形性的观察与环境提供的约束的证据联系起来，这些约束可能解释了大脑中分形结构和无标度动力学的有用性。此外，我们讨论了行为表现出无标度特性的证据，这些特性很可能来自类似组织的大脑动力学，使生物体能够在具有相同组织原则的环境中茁壮成长。最后，我们回顾了分形性和无标度对大脑计算的功能影响的稀疏证据，并试图推测它们。这些特性可能赋予大脑超越当前神经计算模型的计算能力，并可能成为揭示大脑如何构建感知和产生行为的关键。
受中脑启发的稳健变化检测循环神经网络模型
我们提出了一种受生物启发的循环神经网络 (RNN)，它可以有效检测自然图像中的变化。该模型具有稀疏拓扑连接 (st-RNN)，与“中脑注意网络”的电路架构紧密相关。我们将 st-RNN 部署到一个具有挑战性的变化视盲任务中，该任务必须在一系列不连续的图像中检测变化。与传统 RNN 相比，st-RNN 的学习速度提高了 9 倍，并且以减少 15 倍的连接实现了最佳性能。低维动力学分析揭示了假定的电路机制，包括全局抑制 (GI) 基序对成功变化检测的关键作用。该模型再现了关键的实验现象，包括中脑神经元对动态刺激的敏感性、刺激竞争的神经特征以及中脑微刺激的标志性行为效应。最后，该模型在变化盲视实验中准确预测了人类注视点，超越了最先进的基于显着性的方法。st-RNN 提供了一种新颖的深度学习模型，用于将变化检测背后的神经计算与心理物理机制联系起来。
在英特尔 Myriad X 嵌入式 SoC 上加速人工智能和计算机视觉以进行卫星姿态估计
在边缘部署人工智能 (AI) 和计算机视觉 (CV) 算法的挑战性推动了嵌入式计算社区研究异构片上系统 (SoC)。这种新型计算平台提供了接口、处理器和存储的多样性，然而，AI/CV 工作负载的有效分区和映射仍然是一个悬而未决的问题。在此背景下，本文在英特尔的 Movidius Myriad X 上开发了一个混合 AI/CV 系统，这是一个异构视觉处理单元 (VPU)，用于初始化和跟踪卫星在太空任务中的姿态。航天工业是研究替代计算平台以遵守机载数据处理的严格限制的社区之一，同时也在努力采用 AI 领域的功能。在算法层面，我们依靠基于 ResNet-50 的 UrsoNet 网络以及自定义经典 CV 管道。为了实现高效加速，我们结合多种并行化和低级优化技术，利用 SoC 的神经计算引擎和 16 个矢量处理器。所提出的单芯片、稳健估计和实时解决方案在 2W 的有限功率范围内为 100 万像素 RGB 图像提供高达 5 FPS 的吞吐量。
带有...
现代神经科学的挑战之一是创建基于体外神经网络的“活计算机”。这样的人造装置应该执行神经计算任务，并在体现在机器人中时与环境相互作用。最近的研究确定了最关键的挑战，即寻找神经网络体系结构来实施关联学习。这项工作提出了一个模块化体系结构模型，该模型通过单向耦合连接的尖峰神经网络。我们表明该模型可以根据Pavlovian的调节训练神经机器人。机器人在回避障碍物中的性能取决于网络间耦合中的权重比。我们表明，除了STDP外，成功学习的关键因素是突触和神经元竞争。我们使用最近发现的最短路径规则来实施突触竞争。此方法已准备好进行实验测试。强抑制耦合在负责无条件响应的子网中实施神经元竞争。对这种方法的经验测试需要一种技术，用于增长具有给定兴奋性和抑制性神经元比率的神经网络。一种替代方案是建立一个混合系统，其体外神经网络通过硬件复合连接结合。
突触分子通信的化学主方程模型
摘要 - 在突触分子通信中，神经递质（NTS）激活突触后受体（NTS），由随机反应扩散过程控制，因此固有地随机。目前尚不完全了解这种随机性如何影响目标细胞中的下游信号传导，最终是神经计算和学习。反应扩散过程的统计表征很难，因为NTS和受体的可逆双分子反应使系统非线性。因此，突触裂缝中受体占用率的现有模型取决于简化的假设和近似值，从而限制其实际适用性。在这项工作中，我们提出了一个新型的统计模型，以根据化学主方程（CME）来控制突触信号传递的反应扩散过程。我们展示了如何通过基于随机粒子的计算机模拟（PBSS）来计算CME效率并验证所获得的结果的准确性。此外，我们将提出的模型与文献中提出的两个基准模型进行了比较，并表明与PBS相比，它提供了更准确的结果。最后，提出的模型用于研究系统参数对NTS和受体结合事件之间统计依赖性的影响。总而言之，提出的模型为朝着突触信号传输的完整统计表征提供了一步。
带有计算的时空杂种神经网络...
摘要 - 深度学习（DL）在许多现实世界应用中都取得了前所未有的成功。但是，由于基于复杂的基于梯度的学习算法的需求，DL构成了有效硬件实现的困难，以及对突触重量存储的所需的高内存带宽，尤其是在当今数据密集型环境中。计算内存（CIM）策略已成为实现硅中能量效果的神经形态应用的替代方法，从而减少了神经计算所需的资源和能量。在这项工作中，我们利用了具有独特的学习算法的基于CIM的时空杂种神经网络（Sthnn）。是特定的，我们同时整合了多层感知器和基于经常性的延迟动力系统，使网络在空间和时间域中处理信息时变得可分离，更好地降低了存储器带宽和硬件在CIM Architecture中。在180nm CMOS工艺中制造的原型由完全分析的组件构建，在手写字母字符上，平均芯片分类精度高达86.9％，功耗为33MW。除此之外，通过手写数字数据库和射频限制数据集，基于软件的数值评估提供了1。6 – TO – 9。 8×和1。 9 – 4。 与尖端的DL方法相比， 4×速度分别没有显着降低其分类精度。6 – TO – 9。8×和1。9 – 4。4×速度分别没有显着降低其分类精度。
用两光子全息光遗传学探测神经代码
光遗传学在神经科学家如何询问大脑功能方面涉及一场革命。由于技术局限性，大多数光遗传学研究采用了低空间分辨率激活方案，从而限制了可以进行的扰动类型。然而，更精细的空间尺度上的神经活动操作对于更充分理解神经计算可能很重要。在空间上精确的多光子全息光遗传学有望应对这一挑战，并打开许多以前无法实现的新型实验。更具体地说，通过提供在功能定义的神经元合奏中重现极其特定的神经活动模式的能力，多光全息光遗传学可以使神经科学家能够揭示神经代码的基本方面，以实现感觉，认知和超越已达到的行为。本综述总结了多变量全息光遗传学的最新进展，这些遗传学大大扩展了其能力，突出了出色的技术挑战，并概述了可以执行的实验类别以测试和验证脑功能的关键理论模型。多光子全息光遗传学可以通过帮助结束实验性和理论神经科学之间的循环，从而显着加速神经科学发现的速度，从而导致对神经系统功能和障碍的基本新见解。
利用双光子全息光遗传学探测神经代码
光遗传学引发了神经科学家研究大脑功能的革命。由于技术限制，大多数光遗传学研究都采用了低空间分辨率激活方案，这限制了可以进行的扰动类型。然而，在更精细的空间尺度上操纵神经活动可能对更全面地了解神经计算非常重要。空间精确的多光子全息光遗传学有望解决这一挑战，并开辟了许多以前不可能实现的新实验类型。更具体地说，通过提供在功能定义的神经元集合中在空间和时间上重建极其特定的神经活动模式的能力，多光子全息光遗传学可以让神经科学家揭示感觉、认知和行为神经代码的基本方面，而这些方面此前是无法实现的。本综述总结了多光子全息光遗传学的最新进展，这些进展大大扩展了其功能，强调了突出的技术挑战，并概述了它可以执行的实验类型，以测试和验证大脑功能的关键理论模型。多光子全息光遗传学可以帮助关闭实验和理论神经科学之间的循环，从而显著加快神经科学发现的步伐，从而对神经系统功能和疾病带来全新的根本性见解。
大脑区域间交流内容的信息论量化
1 神经信息处理卓越系，分子神经生物学中心 (ZMNH)，汉堡-埃彭多夫大学医学中心 (UKE)，德国汉堡 2 意大利理工学院神经计算实验室，罗韦雷托 (TN)，意大利 3 博洛尼亚大学药学与生物技术系，博洛尼亚，意大利 4 Datamole, sr o, Vitezne namesti 577/2 Dejvice, 160 00 Praha 6，捷克共和国 5 人工智能团队、未来健康技术和脑机接口实验室，埃塞克斯大学计算机科学与电子工程学院，Wivenhoe Park，Colchester CO4 3SQ，英国 6 北卡罗来纳大学细胞生物学和生理学系，教堂山，美国 7 伦敦城市大学计算机科学系，伦敦，英国 8 移动技术实验室，经济、创新和技术学院，大学学院挪威奥斯陆克里斯蒂安尼亚 9 德国汉堡-埃彭多夫大学医学中心分子神经生物学中心发育神经生理学研究所 10 德国汉堡-埃彭多夫大学医学中心神经生理学和病理生理学系计算认知神经科学科 11 法国马赛艾克斯马赛大学法国国家科学研究院蒂莫内神经科学研究所，UMR 7289