Metodo di Apprendimento Continuo Senza Gradiente Sviluppato per Reti Neurali a Spiking

È stata proposta una nuova metrica di importanza sinaptica senza gradiente chiamata ISI-CV per l'apprendimento continuo nelle reti neurali a spiking. Questo approccio affronta una limitazione chiave dei metodi esistenti come Elastic Weight Consolidation e Synaptic Intelligence, che dipendono dal calcolo del gradiente e sono incompatibili con l'hardware neuromorfico privo di supporto per la retropropagazione. Il metodo analizza il Coefficiente di Variazione degli Intervalli Inter-Spike per identificare neuroni con pattern di attivazione regolari che codificano caratteristiche stabili e rilevanti per il compito. Questi neuroni sono protetti dalla sovrascrittura durante l'acquisizione di nuovi compiti, mentre i neuroni con pattern di attivazione irregolari possono adattarsi liberamente. La tecnica richiede solo contatori del tempo degli spike e aritmetica intera, operazioni native di tutti i chip neuromorfici. Questo sviluppo consente alle reti neurali a spiking di acquisire nuovi compiti in sequenza senza dimenticare le conoscenze precedenti, una capacità essenziale per il dispiegamento in ambienti reali dinamici, inclusi il monitoraggio di gemelli digitali nucleari e il rilevamento di guasti ai margini della rete. La ricerca è stata pubblicata su arXiv con identificatore 2604.16496v1.