Las redes neuronales artificiales son sistemas de aprendizaje automático que se componen de una gran cantidad de nodos conectados llamados neuronas artificiales. Al igual que las neuronas en un cerebro biológico, estas neuronas artificiales son las unidades básicas primarias que se utilizan para realizar cálculos neuronales y resolver problemasLos avances en neurobiología han ilustrado el importante papel desempeñado por las estructuras de células dendríticas en la computación neural, y esto ha llevado al desarrollo de modelos de neuronas artificiales basados en estas estructuras.
El modelo de neurona lógica aproximada recientemente desarrollado ALNM es un modelo neuronal único que tiene una estructura dendrítica dinámica. El ALNM puede usar una función de poda neural para eliminar ramas y sinapsis dendríticas innecesarias durante el entrenamiento para abordar un problema específico.El modelo se puede implementar en forma de circuito lógico de hardware.
Sin embargo, el conocido algoritmo de retropropagación BP que se usó para entrenar el ALMN en realidad restringió la capacidad computacional del modelo de neurona. "El algoritmo de BP era sensible a los valores iniciales y podría fácilmente quedar atrapado en los mínimos locales", dice el autor correspondienteYuki Todo, de la Facultad de Ingeniería Eléctrica e Informática de la Universidad de Kanazawa. "Por lo tanto, evaluamos las capacidades de varios métodos de optimización heurística para la capacitación de la ALMN".
Después de una serie de experimentos, el algoritmo de búsqueda de estados de la materia SMS se seleccionó como el método de entrenamiento más apropiado para el ALMN. Se utilizaron seis problemas de clasificación de referencia para evaluar el rendimiento de optimización del ALNM cuando se entrenó usando el SMS comoun algoritmo de aprendizaje, y los resultados mostraron que los SMS proporcionaron un rendimiento de entrenamiento superior en comparación con BP y los otros algoritmos heurísticos en términos de precisión y velocidad de convergencia.
"Un clasificador basado en ALNM y SMS también se comparó con varios otros métodos de clasificación populares", afirma el Profesor Asociado Todo, "y los resultados estadísticos verificaron la superioridad de este clasificador en estos problemas de referencia"
Durante el proceso de capacitación, el ALNM simplificó los modelos neuronales a través de procedimientos de poda sináptica y dendrítica, y las estructuras simplificadas se sustituyeron por circuitos lógicos. Estos circuitos también proporcionaron una precisión de clasificación satisfactoria para cada uno de los problemas de referencia. La facilidad del hardwareLa implementación de estos circuitos lógicos sugiere que la investigación futura verá el ALNM y el SMS utilizados para resolver problemas del mundo real cada vez más complejos y de alta dimensión.
Fuente de la historia :
Materiales proporcionados por Universidad de Kanazawa . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :