Mạng lưới thần kinh tăng đột biến

Mạng Nơ-ron Nhọn (SNN) là một loại mạng nơ-ron mô phỏng chặt chẽ hơn cấu trúc và chức năng của não bộ tự nhiên. Không giống như Mạng Nơ-ron Nhân tạo (ANN) truyền thống xử lý các giá trị liên tục, SNN hoạt động dựa trên các sự kiện rời rạc hoặc "nhọn" xảy ra tại các thời điểm cụ thể. Phương pháp tiếp cận dựa trên sự kiện này giúp chúng đạt hiệu suất cao về mặt tiêu thụ điện năng và rất phù hợp để xử lý dữ liệu thời gian, khiến chúng trở thành một lĩnh vực nghiên cứu quan trọng trong điện toán hình thái thần kinh . Khả năng xử lý thông tin theo cách thưa thớt, dựa trên sự kiện của SNN cho phép chúng thực hiện các phép tính phức tạp với mức tiêu thụ năng lượng ít hơn đáng kể, đây là một lợi thế lớn cho các ứng dụng trên thiết bị biên .

Mạng lưới thần kinh gai hoạt động như thế nào

Trong SNN, các neuron không kích hoạt ở mỗi chu kỳ lan truyền như trong ANN thông thường. Thay vào đó, một neuron chỉ kích hoạt hoặc "tăng đột biến" khi một điều kiện cụ thể, chẳng hạn như điện thế màng trong của nó, đạt đến một ngưỡng nhất định. Khi một neuron tăng đột biến, nó truyền tín hiệu đến các neuron được kết nối khác, từ đó có thể khiến chúng tăng đột biến. Chuỗi các xung đột này tạo thành một mô hình không gian-thời gian biểu diễn thông tin. Cơ chế này về cơ bản khác với các giá trị kích hoạt liên tục được sử dụng trong các kiến trúc khác như CNN hoặc RNN , khiến SNN đặc biệt hiệu quả cho các tác vụ đòi hỏi thời gian. Quá trình học tập trong SNN thường dựa trên các nguyên tắc như Tính dẻo phụ thuộc vào xung đột (STDP), một quá trình sinh học điều chỉnh cường độ kết nối giữa các neuron.

Mạng nơ-ron tăng đột biến so với các kiến trúc khác

Điều quan trọng là phải phân biệt SNN với các mô hình mạng nơ-ron khác để hiểu được những lợi thế độc đáo của chúng.

• Mạng nơ-ron nhân tạo (ANN) : ANN truyền thống, bao gồm các mô hình học sâu , xử lý dữ liệu theo luồng dày đặc, liên tục và được đồng bộ hóa bằng xung nhịp. Ngược lại, SNN không đồng bộ và chỉ xử lý thông tin khi có xung đột, dẫn đến hiệu suất tính toán cao hơn.
• Mạng Nơ-ron Tích chập (CNN) : Trong khi CNN mạnh mẽ trong việc trích xuất đặc điểm không gian trong các tác vụ như nhận dạng hình ảnh , SNN có thể mở rộng khả năng này sang miền thời gian, khiến chúng phù hợp cho các tác vụ thị giác động. Để so sánh các mô hình thị giác khác nhau, hãy xem trang so sánh mô hình Ultralytics .
• Mạng nơ-ron hồi quy (RNN) : RNN xử lý dữ liệu tuần tự bằng cách duy trì trạng thái ẩn. Tuy nhiên, SNN vốn dĩ xử lý các mẫu thời gian thông qua thời điểm chính xác của các xung, mang lại cách xử lý chuỗi giống não bộ hơn, có thể hữu ích trong lĩnh vực robot và xử lý cảm biến.

Các Ứng dụng Thực tế

Các đặc tính độc đáo của SNN khiến chúng trở nên lý tưởng cho các ứng dụng yêu cầu xử lý công suất thấp và độ phân giải thời gian cao.

• Máy bay không người lái và robot tự hành : Mạng nơ-ron nhân tạo (SNN) được sử dụng trong xe tự hành và máy bay không người lái để xử lý dữ liệu cảm biến theo thời gian thực, chẳng hạn như điều hướng các môi trường phức tạp bằng cảm biến thị giác dựa trên sự kiện. Các cảm biến này, lấy cảm hứng từ võng mạc sinh học, ghi lại những thay đổi trong bối cảnh và hoạt động tự nhiên với quy trình xử lý dựa trên xung đột biến của SNN. Chip Loihi 2 của Intel là một ví dụ về phần cứng mô phỏng não bộ được thiết kế để xử lý hiệu quả các khối lượng công việc SNN như vậy.
• Xử lý cảm biến nâng cao : Trong các ứng dụng y tế, mạng nơ-ron nhân tạo (SNN) có thể được sử dụng để phân tích các tín hiệu sinh học phức tạp như điện não đồ (EEG) và điện tâm đồ (ECG) nhằm theo dõi và phát hiện bất thường theo thời gian thực. Một nghiên cứu được công bố trên tạp chí Nature Communications chứng minh cách thức mạng nơ-ron nhân tạo (SNN) có thể được sử dụng để phân loại tín hiệu sinh học ở mức công suất thấp, một yếu tố quan trọng đối với các thiết bị đeo theo dõi sức khỏe khi thời lượng pin bị hạn chế.

Công cụ và hướng đi trong tương lai

Sự phát triển của SNN được hỗ trợ bởi ngày càng nhiều nền tảng phần mềm chuyên dụng, chẳng hạn như Lava và Nengo , giúp các nhà nghiên cứu thiết kế và mô phỏng các mạng này. Khi phần cứng tiếp tục phát triển, hiệu quả và khả năng của SNN dự kiến sẽ tăng lên, mở ra những khả năng mới trong điện toán biên và hệ thống thông minh thời gian thực. Bạn có thể tìm hiểu thêm về việc triển khai mô hình trên nhiều phần cứng khác nhau thông qua tài liệu về các tùy chọn triển khai của Ultralytics .