基于轻量关联记忆 Hopfield 神经网络的生物声学检测首个人工智能模型

保护生物声学中的一个日益增长的问题是分析被动声学监测设备生成的海量数据的任务。本文提出了一种可能有助于缓解这一问题的替代性人工智能模型。我们的模型 formulation 解决了当使用当前人工智能模型进行生物声学分析时遇到的关键问题，即：可用的训练数据有限；环境影响，特别是训练和实现这些模型的能源消耗和碳足迹；以及相关硬件要求。本工作开发的模型通过透明、可解释的 Hopfield 神经网络实现关联记忆来存储信号并检测相似信号，可用于分类物种。训练速度快（$3$\,毫秒），因为只需为数据集中每个目标声音的一个代表信号。该模型运行快速，仅需 $5.4$\,秒即可对所有 $10384$ 条公开可用的蝙蝠录音进行预处理和分类，运行在标准 Apple MacBook Air 上。该模型也轻量级，仅使用 $144.09$\,MB 的内存。因此，低计算需求使该模型适用于各种标准个人设备，潜在可部署到通过边缘处理设备进行现场使用。它也具有竞争力的准确性，在用于评估模型的数据集上达到最高 $86\%$ 的精确率。事实上，我们找不到一条模型与手动通过专家野外指南识别之间的不一致的案例。虽然选择了蝙蝠声学调用的数据集来演示这一首个人工智能模型，但仅基于两个代表性呼叫训练，模型并不特定于物种。总之，我们提出了一个平等的人工智能模型，具有成为快速、轻量、可持续、透明、可解释且准确的生物声学分析游戏变革器的潜力。