Apprendimento Continuo Ispirato al Cervello tramite Riorganizzazione Adattiva dei Percorsi Neurali

I ricercatori hanno introdotto un nuovo algoritmo di apprendimento continuo ispirato al cervello, progettato per reti neurali spike (SNN). Questo algoritmo, chiamato SOR-SNN (Self-Organizing Regulation SNN), utilizza reti di regolazione auto-organizzante per riorganizzare adattivamente una singola SNN vincolata in estesi percorsi neurali sparsi. Questo metodo riflette la capacità del cervello umano di auto-organizzare vari percorsi neurali per padroneggiare gradualmente numerosi compiti cognitivi. Supera efficacemente un grave inconveniente degli attuali algoritmi di apprendimento continuo sia per reti neurali profonde artificiali che per SNN, che spesso non riescono ad autoregolare risorse limitate, con conseguente diminuzione delle prestazioni e maggiore consumo energetico all'aumentare dei compiti. SOR-SNN supera costantemente in termini di prestazioni, efficienza energetica e capacità di memoria in una serie di compiti di apprendimento continuo, inclusi sia sfide semplici che complesse come i benchmark CIFAR generalizzati. La ricerca è disponibile su arXiv con l'identificatore 2309.09550v4.