Calcul et apprentissage dépendants de la mémoire dans les réseaux neuronaux à impulsion grâce à la plasticité hebbienne

Les réseaux neuronaux à impulsion (SNN) constituent la base de nombreux systèmes matériels neuromorphiques économes en énergie. Bien qu'il y ait eu des progrès substantiels dans la recherche sur les SNN, les SNN artificiels manquent encore de nombreuses capacités de leurs homologues biologiques. Dans les systèmes neuronaux biologiques, la mémoire est un composant clé qui permet la rétention d'informations sur une vaste gamme d'échelles temporelles, allant de centaines de millisecondes à des années. Alors que la plasticité hebbienne est considérée comme jouant un rôle central dans la mémoire biologique, elle a jusqu'à présent été principalement analysée dans le contexte de l'achèvement de modèles et de l'apprentissage non supervisé dans les SNN artificiels et biologiques. Ici, nous proposons que la plasticité hebbienne est fondamentale pour les calculs dans les systèmes neuronaux à impulsion biologiques et artificiels. Nous introduisons une nouvelle architecture SNN enrichie en mémoire, dotée de plasticité synaptique hebbienne. Nous montrons que l'enrichissement hebbien rend les SNN étonnamment polyvalents en termes de capacités de calcul et d'apprentissage. Cela améliore leurs compétences en généralisation hors distribution, en apprentissage par un seul tir, en association générative multimodale, en traitement du langage et en apprentissage basé sur la récompense. Cela suggère que des systèmes neuromorphiques cognitifs puissants peuvent être construits sur ce principe.