کنفرانس مهندسی برق ایران

صفحه اصلی / سی و یکمین کنفرانس بین المللی مهندسی برق

Improving Spiking Neural Network Performance Using Astrocyte Feedback for Farsi Digit Recognition

نویسندگان :

Malihe Nazari¹ Fariba Bahrami² Mohammad Javad Yazdanpanah³

1- دانشگاه تهران 2- دانشگاه تهران 3- دانشگاه تهران

کلمات کلیدی :

شبکه عصبی اسپایکی،تعامل نورون-آستروسیت،پلاستیسیته وابسته به زمان اسپایک،یادگیری بدون نظارت،طبقه بندی،تشخیص ارقام

چکیده :

نسل سوم شبکه های عصبی را شبکه های عصبی اسپایکی می نامند. شبکه های عصبی اسپایکی نه تنها می توانند به تمام مسائلی که توسط شبکه های عصبی رایج حل می شوند پاسخ دهند، بلکه می توانند از نظر محاسباتی قدرتمندتر از آنها باشند. همچنین این شبکه ها به واقعیت بیولوژیکی نورون ها نزدیکتر هستند. با توجه به این دلایل، شبکه های عصبی اسپایکی در سال های اخیر بسیار مورد توجه قرار گرفته اند. علاوه بر نورون ها، عناصر دیگری نیز در شبکه های عصبی اسپایکی استفاده می شوند که ارتباط آنها با نورون ها از نظر بیولوژیکی ثابت شده است. این عناصر آستروسیت نامیده می شوند. در این مطالعه، ما از بازخورد محلی آستروسیت در یک شبکه عصبی اسپایکی برای بهبود دقت شبکه در فرآیند تشخیص رقم استفاده کرده ایم. برای رسیدن به این هدف، از شبکه پیشنهادی Diehl و همکاران در سال 2015 استفاده کردیم، سپس بازخورد محلی آستروسیت را به این شبکه اضافه کردیم. ما شبکه را در هر دو حالت اجرا می کنیم. دقت طبقه‌بندی شبکه در صورت عدم وجود آستروسیت بر روی ارقام دست‌نویس فارسی 88.48 درصد بود. پس از افزودن بازخورد محلی آستروسیت، مشاهده می‌شود که آستروسیت‌ها فعالیت نورون‌ها را کنترل می‌کنند و وزن اتصالات را بر اساس فعالیت نورون تغییر می‌دهند. در این حالت دقت طبقه بندی به 90.26% رسید. ایده ایجاد یک شبکه عصبی برای یادگیری بود، بگونه ای که با الهام از نقش فیزیولوژیکی آستروسیت‌ها در سیناپس سه‌ جزئی، عملکرد شبکه عصبی بهبود می‌یابد و ما نشان می‌دهیم که سیستم‌هایی که شامل نورون‌ها و آستروسیت‌ها می‌شوند بهتر از سیستم‌هایی که فقط نورون‌ها را به کار می برند، عمل می‌کنند.