Apprentissage de représentations à pointes pour des mémoires associatives

Les réseaux de neurones interconnectés communiquant par des signaux de pointe constituent le socle des calculs neuronaux. Nos réseaux neuronaux à pointes du cerveau ont la capacité de traitement nécessaire pour atteindre facilement des fonctions complexes de reconnaissance de motifs et cognitives. Cependant, résoudre des problèmes du monde réel avec des réseaux neuronaux à pointes artificiels (SNN) s'est avéré difficile pour plusieurs raisons. En particulier, l'échelle des SNN vers de grands réseaux et le traitement de jeux de données réels à grande échelle ont été des défis, surtout par rapport à leurs homologues en apprentissage profond non à pointes. L'opération critique requise des SNN est la capacité d'apprendre des représentations distribuées à partir des données et d'utiliser ces représentations pour des opérations perceptuelles, cognitives et de mémoire. Dans ce travail, nous introduisons un SNN novateur qui effectue un apprentissage de représentation non supervisé et des opérations de mémoire associative en tirant parti de la plasticité synaptique hébbienne et de la plasticité structurale dépendante de l'activité, couplée à des neurones modélisés comme des générateurs de pointes de Poisson avec un tir de pointe sparse (~1 Hz de moyenne et ~100 Hz de taux de tir maximum). En outre, l'architecture de notre modèle dérive de l'organisation colonnaire néocorticale et combine des projections feedforward pour apprendre des représentations cachées et des projections récurrentes pour former des mémoires associatives. Nous avons évalué le modèle sur des propriétés pertinentes pour des mémoires associatives basées sur des attracteurs telles que la complétion de motifs, la rivalité perceptuelle, la résistance à la distorsion et l'extraction de prototypes.