XiaoMi-AI文件搜索系统
World File Search SystemAttractor
缓慢而弱的吸引子计算嵌入快速和强的E-I平衡神经动力学
吸引子网络需要神经元连接是高度结构的，以维持代表信息的吸引子态，而激发和抑制平衡网络（E-INNS）需要神经元连接才能被延伸，并且稀疏以产生不规则的神经元素。尽管被视为神经回路的规范模型，但通常对两种类型的网络进行独立研究，并且鉴于它们的结构需求非常不同，因此仍不清楚它们如何在大脑中共存。在这项研究中，我们研究了连续吸引人神经网络（CANNS）和E-INN的兼容性。与重新实验数据一致，我们发现当神经元突触由两组组成时，神经回路可以表现出CANN和E-INN的特征：一组对于不规则的曲线是强的且快速的，而另一组对于吸管动力学而言弱且缓慢。另外，与仅使用一组突触相比，模拟和理论分析都表明，该网络表现出增强的性能，并加速了吸引子态的融合并保留了局部输入的E-I平衡状况。我们希望这项研究能够了解结构化神经计算如何通过神经元的不规则曲率实现。
基于离散和连续吸引子网络的神经形态系统基于忆阻器的生物可信记忆
正是对建立一整套新的数学工具以分析和评估未来神经形态计算系统的启发。忆阻器于1971年被提出[4]，并于2008年通过实验建立[5]，它是一种电阻性器件，是针对这种非冯·诺依曼计算优化的未来神经形态器件。忆阻器可以根据内部状态和外部刺激（如电压脉冲）改变其电阻。先前的研究表明，基于忆阻器的交叉结构可以依靠欧姆定律和基尔霍夫定律，将计算最密集的组件矢量矩阵乘法（VMM）直接映射到电参数，从而加速各种人工神经网络（ANN）。[6,7]在此原理下，VMM计算过程直接在原位进行，从而避免了因从内存中获取数据而导致的内存墙（冯·诺依曼瓶颈）。尤其是在监督学习中，它可以降低前馈过程和从 NP 到 P 的反向传播的计算复杂度。[8] 因此，当前的研究主要集中在分类和回归任务上，以利用这种新的计算机制作为互补金属氧化物半导体 (CMOS) 电路的补充。然而，忆阻器的不同物理机制，如导电丝的形成/溶解和相变，决定了器件存在需要进一步优化的缺陷。[9,10]