Modeling visual information processing during locomotion using bio-inspired spiking neural networks
Modélisation du traitement visuel de l'information lors de la locomotion à l'aide de réseaux de neurones impulsionnels bioinspirés
Résumé
Artificial intelligence has been booming for many years and defines the
basis for all learning carried out by computer systems. Among the learning
methods used are artificial neural networks. The latter’s development was
initially greatly motivated by the desire to understand the biological mechanisms underlying the treatments carried out by the human brain. In recent
years, neural networks have become increasingly complex, with an everincreasing number of parameters and energy consumption. While today’s
deep or convolutional neural networks perform excellently for many cognitive tasks, it isn’t easy to use them to understand information processing in
living organisms. However, some types of artificial neural networks remain
more rooted in biology. These are the impulse neural networks (Spiking
Neural Networks or SNN). They are based on communication mechanisms
observed between neurons. The latter transmit information to each other
through electrical impulses with reduced energy consumption. Learning within these SNNs can be carried out in an unsupervised way from plasticity
rules observed in living organisms, such as Spike-Timing-Dependent Plasticity or STDP.
This thesis aims to model visual processing during locomotion from
SNs regulated by STDP-type learning and which receive data captured by
asynchronous cameras whose operation is directly inspired by the retina.
Le domaine de l’intelligence artificielle est en plein essor depuis de nombreuses années et définit la base de tout apprentissage s’effectuant par des
systèmes informatiques. Parmi les méthodes d’apprentissage utilisées se retrouvent les réseaux de neurones artificiels. Le développement de ces derniers était à l’origine grandement motivé par le désir de comprendre les
mécanismes biologiques sous-tendant les traitements effectués par le cerveau humain. Au cours des dernières années, les réseaux de neurones se
sont de plus en plus complexifiés avec un nombre de paramètres et une
consommation énergétique toujours plus élevés. Si les réseaux de neurones
profonds ou convolutionnels actuels ont d’excellentes performances pour de
nombreuses tâches cognitives, il est désormais difficile de les utiliser comme
outil pour comprendre le traitement de l’information chez le vivant. Certains types de réseaux de neurones artificiels restent néanmoins plus ancrés
dans la biologie, il s’agit des réseaux de neurones impulsionnels (Spiking
Neural Networks ou SNN en anglais). Ils reposent sur des mécanismes de
communication observés entre les neurones. Ces derniers se transmettent
des informations sous la forme d’impulsions électriques dont la consommation énergétique est très réduite. L’apprentissage au sein de ces SNN peut
s’effectuer de façon non-supervisée à partir de règles de plasticité observées
chez le vivant comme la Spike-Timing-Dependent Plasticity ou STDP.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|