.png){kind=icon}
返回
Dynamical systems foundations for neuromorphic intelligence
.png){kind=icon}
OA
AI
DOI：10.1088/2634-4386/ae5380.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经形态计算旨在复制人类大脑在人工系统中的卓越效率、灵活性和适应性。与受冯·诺依曼瓶颈制约且依赖巨大计算和能源资源的传统数字方法不同，神经形态系统利用仿脑计算原理实现数量级更高的能源效率。通过借鉴人工智能（AI）、物理学、化学、生物学、神经科学、认知科学和材料科学等众多学科的认知，神经形态计算有望提供可持续、透明且广泛可用的智能系统。然而，核心挑战在于识别能够连接这些不同学科的统一理论框架。我们主张，代表在随机扰动下运动方程的随机动力系统提供了这样的基础。植根于微分学，动力系统理论为在自然和人工基质中建模推理、学习和控制提供了一种规范语言。在此框架内，过程噪声可以被利用为学习资源，而微分遗传编程能够通过跨代随机适应发现实现自适应行为的动力系统。采纳这一视角为涌现神经形态智能铺平了道路，其中智能行为源于物理基质动力学，推动人工智能的科学和可持续性发展。
Keyword:
neuromorphic computing
dynamical systems
stochastic processes
artificial intelligence
adaptive behavior
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
340
被引数:
920
机构
引用论文
Spiking neural networks on FPGA: A survey of methodologies and recent advancements.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏分享收藏分享收藏
查看更多内容