[Paper] 大规模稀疏网络中的事件驱动资格传播：效率受生物真实性的影响

Source: arXiv - 2511.21674v1

概览

尽管技术取得了显著进步，AI 系统仍可能受益于生物学原理，如递归连接和能量高效机制。受大脑启发，我们提出了一种生物学上可行的 eligibility propagation（e‑prop）学习规则的递归脉冲网络扩展。通过将时间驱动的更新方案转化为事件驱动的方式，我们将学习规则集成到大规模脉冲神经网络的仿真平台中，并展示其在神经形态 MNIST 等任务中的适用性。我们在模型中加入了突出的生物学特征，如连续动力学和权重更新、严格的局部性以及稀疏连接。结果表明，基于生物学的约束可以为计算高效的 AI 算法设计提供指导，使其在不牺牲学习性能的前提下实现数百万神经元的可扩展性。这项工作桥接了机器学习与计算神经科学，为可持续的、生物启发的 AI 系统铺平道路，同时推动我们对类脑学习的理解。

作者

• Agnes Korcsak‑Gorzo
• Jesús A. Espinoza Valverde
• Jonas Stapmanns
• Hans Ekkehard Plesser
• David Dahmen
• Matthias Bolten
• Sacha J. van Albada
• Markus Diesmann

论文信息

• arXiv ID: 2511.21674v1
• 分类: cs.NE, q-bio.NC
• 发布日期: 2025 年 11 月 27 日
• PDF: Download PDF