XiaoMi-AI文件搜索系统
World File Search System神经
通过化学微传感器阵列进行实时边缘神经形态品尝
液体分析是跟踪食品、饮料和化学制造等行业是否符合严格的工艺质量标准的关键。为了在线并在最感兴趣的点分析产品质量，自动监控系统必须满足小型化、能源自主性和实时操作方面的严格要求。为了实现这一目标，我们介绍了在神经形态硬件上运行的人工味觉的第一个实现，用于连续边缘监控应用。我们使用固态电化学微传感器阵列来获取多变量、随时间变化的化学测量值，采用时间滤波来增强传感器读出动态，并部署基于速率的深度卷积脉冲神经网络来有效融合电化学传感器数据。为了评估性能，我们创建了 MicroBeTa（微传感器味道测试），这是一个用于饮料分类的新数据集，包含 3 天内进行的 7 小时时间记录，包括传感器漂移和传感器更换。我们实现的人工品味在推理任务上的能效比在其他商用低功耗边缘 AI 推理设备上运行的类似卷积架构高出 15 倍，在 USB 棒外形尺寸中包含的单个英特尔 Loihi 神经形态研究处理器上实现了比传感器读数采样周期低 178 倍以上的延迟和高精度（97%）。
介绍深度神经网络优化中的突触整合原理
众所周知，大脑中的可塑性电路通过突触整合和突触强度局部调节机制受到突触权重分布的影响。然而，迄今为止设计的大多数人工神经网络训练算法都忽略了刺激依赖性可塑性与局部学习信号之间的复杂相互作用。在这里，我们提出了一种新型的生物启发式人工神经网络和脉冲神经网络优化器，它结合了皮质树突中观察到的突触可塑性的关键原理：GRAPES（调整误差信号传播的组责任）。GRAPES 在网络的每个节点上实施依赖于权重分布的误差信号调制。我们表明，这种生物启发式机制可以显著提高具有前馈、卷积和循环架构的人工神经网络和脉冲神经网络的性能，它可以减轻灾难性遗忘，并且最适合专用硬件实现。总的来说，我们的工作表明，将神经生理学见解与机器智能相结合是提高神经网络性能的关键。
通过噪声生长和自组织的神经网络
活神经网络通过生长和自组织过程出现，从单个细胞开始，最终形成大脑，一个有组织、有功能的计算设备。然而，人工神经网络依靠人类设计的手工编程架构来实现其卓越的性能。我们能否开发出无需人工干预就能生长和自组织的人工计算设备？在本文中，我们提出了一种受生物启发的开发算法，该算法可以从单个初始细胞“生长”出一个功能齐全的分层神经网络。该算法组织层间连接以构建视网膜主题池化层。我们的方法受到早期视觉系统所采用的机制的启发，在动物睁开眼睛前几天，该系统将视网膜连接到外侧膝状体 (LGN)。稳健自组织的关键因素是第一层中出现的自发时空活动波和第二层中“学习”第一层中底层活动模式的局部学习规则。该算法可适应各种输入层几何形状，对第一层中的故障单元具有鲁棒性，因此可用于成功增长和自组织不同池大小和形状的池架构。该算法提供了一种通过增长和自组织构建分层神经网络的原始程序。我们还证明了从单个单元增长的网络在 MNIST 上的表现与手工制作的网络一样好。从广义上讲，我们的工作表明，受生物启发的开发算法可以应用于在计算机中自主生长功能性“大脑”。
前肢和后肢神经支配 - 自主区和反射（更新2024）
前肢和后肢的反射途径利用了周围神经源自的脊髓的部分。测试肢体反射涉及诱导通过感觉神经元传输到CNS的感觉刺激。正如我们之前讨论的那样，这种感觉神经元的细胞体位于背根神经节中。感觉信号将从受体传播，通过周围神经检测刺激，到脊神经，再到背根，然后终止于背角灰质中的间神经元。那里 - 魔术发生了！通过将稍后在课程中进行研究的连接，这种感觉输入将导致脊髓同一区域中腹角灰质物质中的α运动神经元激活。电动机输出将穿过腹侧根部，到达脊神经，到达周围神经，最后到达目标肌肉以引起“反射性”收缩。在临床上，这被认为是肢体的预期运动，可能涉及一个或多个肌肉群和关节。
摘要。这项工作旨在回顾人工神经网络（ANN）的最典型实现，这些实现是在前馈神经网络中实现的。
摘要。这项工作旨在回顾人工神经网络 (ANN) 的最典型实现，这些实现在前馈神经网络 (FNN) 和循环神经网络 (RNN) 中实现。讨论了 ANN 架构和基本操作原理的本质区别。学习过程的问题分几个部分介绍。使用 ANN 进行预测的优势已在自适应教育学、医学和生物学分类、工业等多个热门领域得到证实。JEL：C45。关键词：人工智能；人工神经网络；前馈神经网络；循环神经网络；感知器。引用：Alytis Gruodis (2023) 人工神经网络在过程建模中的实现。当前实现概述。– 应用业务：问题与解决方案 2(2023)22–27 – ISSN 2783-6967。https://doi.org/10.57005/ab.2023.2.3
一种具有输入阻抗增强和抑制偏移诱导电荷转移的斩波神经前端
摘要 — 现代神经调节系统通常提供大量的记录和刺激通道，这降低了每个通道的可用功率和面积预算。为了在面积限制越来越严格的情况下保持必要的输入参考噪声性能，斩波神经前端通常是首选方式，因为斩波稳定可以同时改善（1/f）噪声和面积消耗。现有技术中，通过基于输入电压缓冲器的阻抗增强器解决了输入阻抗大幅降低的问题。这些缓冲器对大型输入电容器进行预充电，减少从电极吸取的电荷并有效提高输入阻抗。这些缓冲器上的偏移直接转化为电荷转移到电极，这会加速电极老化。为了解决这个问题，提出了一种具有超低时间平均偏移的电压缓冲器，它通过定期重新配置来消除偏移，从而最大限度地减少意外的电荷转移。本文详细介绍了背景和电路设计，并介绍了在 180 nm HV CMOS 工艺中实现的原型的测量结果。测量结果证实，发生了与信号无关的缓冲器偏移引起的电荷转移，并且可以通过所提出的缓冲器重新配置来缓解这种电荷转移，而不会对输入阻抗增强器的操作产生不利影响。所提出的神经记录器前端实现了最先进的性能，面积消耗为 0.036 mm2，输入参考噪声为 1.32 µV rms（1 Hz 至 200 Hz）和 3.36 µV rms（0.2 kHz 至 10 kHz），功耗为 13.7 µW（1.8 V 电源），以及 50 Hz 时的 CMRR 和 PSRR ≥ 83 dB。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
引用Chen Z，Fu S，Lai S，Fu M和Du G（2024）循环脂联素和瘦素水平的关联与糖尿病外周神经的风险
糖尿病周围神经病（DPN）是一种流行的糖尿病并发症，影响了所有糖尿病患者一半的糖尿病并发症，主要是周围神经损伤，主要是在四肢中（1）。这种情况显着影响，通过慢性疼痛，感觉递减以及脚部并发症的风险增加，施加大量医疗保健成本和生活质量降低（2）。鉴于对其病理生理学的不完全理解和有效的管理策略的稀缺性，因此对可修改的DPN危险因素的识别对于调整预防性和治疗性干预措施至关重要，旨在遏制其发生率和严重性（3，4）。脂肪因子（包括脂联素和瘦素）在糖尿病并发症（如DPN）中的发展，由于它们参与代谢调节和炎症过程，糖尿病的关键因素及其sequelae的关键因素及其后sequelae，因此获得了识别（5）。脂联素以其抗炎和胰岛素敏化作用而闻名，可为诸如动脉粥样硬化和2型糖尿病（6，7）等疾病提供保护。相反，瘦素具有促炎性特征，通常在肥胖症和2型糖尿病中升高，会导致胰岛素抵抗和代谢功能障碍（6，7）。鉴于这些作用，脂联素和瘦素可能会影响DPN的发展。几项研究探索了2型糖尿病患者脂联素和DPN风险之间的联系，结果混合的结果：有些报告是反向关联（8，9），而另一些则没有明显的相关性（10）甚至阳性联系（11，12）。对瘦素和DPN的研究有限，也不一致（11、13、14）。先前的调查通常会遭受小样本量（8、10、11、13、14），缺乏对混杂因素的调整（8、10、13、14）或将各种糖尿病并发症聚集成单个结果变量（12）。因此，脂联素和瘦素水平与DPN风险之间的关系需要进一步研究。本研究旨在研究脂联素和瘦素的循环水平与糖尿病患者发展DPN的风险之间的关系。通过阐明这些关联，我们的研究可能有助于促进脂肪因子在糖尿病并发症中的作用的越来越多的证据，并为预防和管理DPN的策略提供了发展。
