Closed-form control with spike coding networks

要約

スパイキング ニューラル ネットワーク (SNN) を使用した効率的かつ堅牢な制御は、依然として未解決の問題です。
生物学的因子の挙動は、堅牢かつ効率的な制御を提供する、まばらで不規則なスパイク パターンを通じて生成されますが、制御に使用されるほとんどの人工スパイキング ニューラル ネットワークの活動パターンは密で規則的であり、コードの効率性が低下する可能性があります。
さらに、ほとんどの既存の制御ソリューションでは、完全に識別されたシステムであってもネットワークのトレーニングまたは最適化が必要であり、オンチップ低電力ソリューションでの実装が複雑になります。
スパイク コーディング ネットワーク (SCN) の神経科学理論は、不規則でまばらで堅牢なスパイキング活動を維持しながら、リカレント スパイキング ニューラル ネットワークに動的システムを実装するための完全な分析ソリューションを提供しますが、それを問題の制御に直接適用する方法は明らかではありません。
。
ここでは、閉形式の最適推定と制御を組み込むことで SCN 理論を拡張します。
結果として得られるネットワークは、線形 2 次ガウス コントローラーと同等のスパイクとして機能します。
入力ノイズやシステムノイズ、システム外乱、ニューラルサイレンシングなどのいくつかの摂動に直面した場合でも、シミュレーションされたばね-質量-ダンパーおよびカート-ポールシステムの堅牢なスパイク制御を実証します。
私たちのアプローチは学習や最適化を必要としないため、生物学的に現実的なアクティビティを備えたタスク固有のオンチップスパイキングコントローラーを高速かつ効率的に展開する機会を提供します。

要約(オリジナル)

Efficient and robust control using spiking neural networks (SNNs) is still an open problem. Whilst behaviour of biological agents is produced through sparse and irregular spiking patterns, which provide both robust and efficient control, the activity patterns in most artificial spiking neural networks used for control are dense and regular — resulting in potentially less efficient codes. Additionally, for most existing control solutions network training or optimization is necessary, even for fully identified systems, complicating their implementation in on-chip low-power solutions. The neuroscience theory of Spike Coding Networks (SCNs) offers a fully analytical solution for implementing dynamical systems in recurrent spiking neural networks — while maintaining irregular, sparse, and robust spiking activity — but it’s not clear how to directly apply it to control problems. Here, we extend SCN theory by incorporating closed-form optimal estimation and control. The resulting networks work as a spiking equivalent of a linear-quadratic-Gaussian controller. We demonstrate robust spiking control of simulated spring-mass-damper and cart-pole systems, in the face of several perturbations, including input- and system-noise, system disturbances, and neural silencing. As our approach does not need learning or optimization, it offers opportunities for deploying fast and efficient task-specific on-chip spiking controllers with biologically realistic activity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google