Heterogeneidade dendrítica temporal incorporada a redes neurais spiking para aprender dinâmicas de múltiplas escalas de tempo

Acredita-se amplamente que as redes neurais spiking inspiradas no cérebro têm a capacidade de processar informações temporais devido às suas características dinâmicas. No entanto, como entender que tipo de mecanismos contribuem para a capacidade de aprendizado e explorar as ricas propriedades dinâmicas das redes neurais spiking para resolver satisfatoriamente tarefas complexas de computação temporal na prática ainda precisa ser explorado. Neste artigo, identificamos a importância de capturar os componentes de múltiplas escalas de tempo, com base nos quais um modelo neural spiking de múltiplos compartimentos com heterogeneidade dendrítica temporal é proposto. O modelo permite dinâmicas de múltiplas escalas de tempo ao aprender automaticamente fatores de temporização heterogêneos em diferentes ramificações dendríticas. Duas inovações são feitas através de extensos experimentos: o mecanismo de funcionamento do modelo proposto é revelado por meio de um elaborado problema XOR temporal spiking para analisar a integração de características temporais em diferentes níveis; benefícios abrangentes de desempenho do modelo em relação às redes neurais spiking ordinárias são alcançados em várias referências de computação temporal para reconhecimento de fala, reconhecimento visual, reconhecimento de sinais de eletroencefalograma e reconhecimento de localização de robôs, mostrando a melhor precisão e compactação de modelo reportadas, prometendo robustez e generalização, e alta eficiência de execução em hardware neuromórfico. Este trabalho avança a computação neuromórfica um passo significativo em direção a aplicações do mundo real, explorando adequadamente observações biológicas.