《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:A biologically plausible recurrent spiking architecture for modeling nonlinear dynamic mechanical systems
编辑推荐:
Vaishnav Bhaskaran|Saurabh Balkrishna Tandale|Vasileios Polydoras|Agnes Korcsak-Gorzo|Abigail Morrison|Markus Diesmann|Marcus Stoffel摘要近年来,脉
Vaishnav Bhaskaran|Saurabh Balkrishna Tandale|Vasileios Polydoras|Agnes Korcsak-Gorzo|Abigail Morrison|Markus Diesmann|Marcus Stoffel
摘要
近年来,脉冲神经网络(SNNs)受到了广泛关注,因为它们基于脉冲的、事件驱动的通信方式,以及脉冲本身的稀疏性,被认为能够实现高度节能的计算。这一特性已在多种分类和回归任务中得到有效利用。尽管这些网络受到生物神经系统的启发,但大多数现有的SNN在动态特性和学习机制方面与生物原型仅有有限的相似之处。一些研究旨在更好地理解大脑的数学运作机制,以使现有的神经元模型更具生物学合理性。其中一种方法是使用一种更符合生物学特性的学习规则——资格传播(e-prop)来训练网络,这种规则可以作为传统的时间反向传播(BPTT)的替代方案。在本研究中,我们使用基于自适应阈值的泄漏积分-放电(ALIF)神经元,并结合e-prop学习规则,在从粘弹性流变模型中获得的数据集上训练了一个循环SNN。我们建立了这些流变模型与LIF神经元膜动态之间的类比,强调了它们在数学上的相似性,并为在力学领域应用SNN提供了物理依据(而不仅仅是基于节能考虑)。为了模拟几何和物理上的非线性结构变形,我们进一步提出了一种多层循环脉冲架构,该架构将勒让德记忆单元(Legendre Memory Units)与ALIF神经元相结合,用于预测来自冲击管实验的板材的非线性瞬态位移响应。为了训练这种架构,我们采用了一种结合了e-prop和BPTT的混合学习方法。最后,我们对e-prop和BPTT进行了比较分析,指出了它们在准确性、收敛速度和计算效率方面的各自优缺点。