Construí una red de atractores continuos con 3 neuronas motoras que aprenden a guiar a los ratones hacia la comida utilizando la plasticidad hebbiana modulada por la recompensa Sin retropropagación y sin SGD. En este caso, al principio, los conectados en red aprendieron a dar vueltas alrededor de la comida 😯 El código fuente es de código abierto. enlace en el comentario 36 neuronas en el CAN pueden detectar dónde está la comida, cada neurona en esta red se conecta a cada neurona motora. Al principio, las conexiones son aleatorias y débiles y se fortalecen a medida que los ratones se acercan y alcanzan la comida. Network hace esto al realizar un seguimiento de qué neuronas se activaron juntas para lograr esto y fortalecer esas conexiones Si te parece interesante, echa un vistazo a mi proyecto Redes neuronales Spiking. También pondré un enlace a eso en el comentario

La red neuronal de picos desde cero logra una precisión del 8%. sin retropropagación ni SGD Creé un optimizador de hiperparámetros genéticos y ahora, en promedio, puede obtener un 8% de precisión, que es ~ 3% por encima de la probabilidad Enlace al código fuente con un video detallado y explicaciones de rebajas en el comentario También suele comenzar por debajo del 5% y mejora lentamente y luego eventualmente puede comenzar a caer por debajo del 5%, todo lo cual me lleva a creer que hay destellos de aprendizaje. a veces se mantiene estable alrededor del 7-8-9% durante mucho tiempo no hay retropropagación ni SGD. aprende a través de STDP (plasticidad dependiente de la sincronización de picos) y un mecanismo de recompensa Cada ejemplo se presenta n muchas veces (500 en este caso) lo que produce un tren de picos que conduce a la lista de elegibilidad, al final de un turno en función de si la respuesta fue correcta o no, ajustamos los pesos usando la recompensa como multiplicador El tiempo de pico realiza un seguimiento de la secuencia de disparos de neuronas y cuáles tenían más probabilidades de conducir a la respuesta correcta déjame saber lo que piensas