Eu construí uma Rede de Atração Contínua com 3 neurônios motores que aprendem a guiar os camundongos em direção à comida usando plasticidade hebbiana modulada por recompensa Sem retropropagação e sem SGD. Neste caso, a rede aprendeu a circular em torno da comida 😯 O código-fonte é de código aberto. link no comentário 36 neurônios na CAN detectam onde está a comida, cada neurônio nesta rede conecta-se a cada neurônio motor. No início, as conexões são aleatórias e fracas e elas se tornam mais fortes à medida que os camundongos se aproximam e alcançam a comida. a rede faz isso mantendo o controle de quais neurônios dispararam juntos para alcançar isso e fortalecer essas conexões Se você achar isso interessante, confira meu projeto de redes neurais espinhosas. Eu também colocarei um link para isso no comentário.

Rede Neural Espinhosa do zero alcança 8% de precisão. sem retropropagação ou SGD Criei um otimizador genético de hiperparâmetros e agora, em média, consigo 8% de precisão, o que é ~3% acima da chance Link para o código-fonte com um vídeo detalhado e explicações em markdown nos comentários também geralmente começa abaixo de 5% e melhora lentamente, depois eventualmente pode começar a cair abaixo de 5%, tudo isso me leva a acreditar que há indícios de aprendizado ocorrendo. às vezes fica estável em torno de 7-8-9% por um longo tempo não há retropropagação ou SGD. aprende via STDP (plasticidade dependente do tempo de pico) e um mecanismo de recompensa each exemplo é apresentado muitas vezes (500 neste caso) o que produz um trem de picos que leva a uma lista de elegibilidade, no final de uma rodada, com base em se a resposta estava correta ou não, ajustamos os pesos usando a recompensa como um multiplicador o tempo de pico mantém o controle da sequência de disparos de neurônios e quais deles eram mais propensos a levar à resposta correta deixe-me saber o que você acha