通过忆阻连接实现脉冲网络中塑性学习的演化
新兴技术
2012-12-17 v1 神经与进化计算
摘要
本文提出了一种脉冲神经进化系统，该系统将忆阻器实现为塑性连接，即其权重可在试验过程中变化。进化设计过程利用参数自适应和可变拓扑，允许神经元数量、连接权重和神经元间连接模式涌现。通过比较两种现象学真实忆阻器实现与由(i)线性电阻(ii)恒定值连接组成的网络，我们证明该方法允许演化出适当复杂性的网络，同时利用连接的忆阻特性减少学习时间。我们扩展了该方法以允许网络内忆阻器的异质混合；我们的方法提供了对网络结构的深入分析。我们的网络在模拟机器人导航任务上进行评估；结果表明，在静态和动态奖励场景中，忆阻塑性比恒定权重连接实现了更高的性能，并且与同质忆阻网络相比，忆阻元件的混合提供了性能优势。
引用
@article{arxiv.1212.3441,
title = {Evolution of Plastic Learning in Spiking Networks via Memristive Connections},
author = {Gerard Howard and Ella Gale and Larry Bull and Ben de Lacy Costello and Andy Adamatzky},
journal= {arXiv preprint arXiv:1212.3441},
year = {2012}
}