了解细胞神经网络
了解细胞神经网络
- 用于生成三维几何的遗传细胞神经网络（ arXiv )
作者 ： 雨果·马泰
抽象的 ： 有许多方法可以通过程序生成有趣的 3D 形状，这里介绍了一种将细胞神经网络与网格增长算法相结合的方法。目的是从遗传密码中创建一个形状，以便粗略的搜索可以找到有趣的形状。相同的神经网络放置在网格的每个顶点上，可以与相邻顶点上的神经网络进行通信。神经网络的输出决定了网格的生长方式，允许紧急产生有趣的形状，模仿生物有机体发育的一些复杂性。由于神经网络的参数可以自由变化，因此该方法适用于遗传算法。
2. 使用光流映射细胞神经网络中钙信号的时空动态（ arXiv )
作者 ： 马吕斯·布巴斯 , Diana Yu , 克里斯塔尔·尼扎尔 , 加布里埃尔·席尔瓦
抽象的 ： 将光流梯度算法应用于通过荧光光学显微镜成像的培养物中自发形成的神经元和神经胶质网络，以绘制具有单像素分辨率的功能性钙信号。光流估计记录的数字图像序列（即电影）中后续帧之间图像中对象的运动方向和速度。该算法计算的矢量场输出能够跟踪钙信号模式的时空动态。我们首先简要回顾光流算法的数学，然后描述如何求解位移矢量以及如何测量它们的可靠性。然后，我们将计算的流向量与手动估计的向量进行比较，以了解从代表性星形胶质细胞培养物中记录的钙信号的进展。最后，我们将该算法应用于原代星形胶质细胞和海马神经元的制备以及 rMC-1 Muller 神经胶质细胞系，以说明该算法捕获不同类型时空钙活动的能力。我们讨论了可靠测量的成像要求、参数选择和阈值选择，并提供了有关矢量数据使用的观点
3.用于NP-hard优化问题的细胞神经网络（ arXiv )
作者 ： 玛丽亚 Ercsey-Ravasz , 塔马斯·罗斯卡 , 内达·佐尔坦
抽象的 ： 如今，细胞神经网络（CNN）实际上是在并行模拟计算机中实现的，呈现出快速发展的趋势。物理学家必须意识到，这样的计算机适合以优雅的方式解决实际重要的问题，这些问题在经典数字架构上极其缓慢。在这里，CNN 用于解决格上的 NP-hard 优化问题。证明了一个所有细胞参数都可以单独控制的CNN是二维伊辛型（Edwards-Anderson）自旋玻璃系统的模拟对应物。利用 CNN 计算机的特性，可以为此类问题构建快速优化方法。估计在基于 CNN 的计算机上解决此类 NP-hard 优化问题所需的模拟时间，并将其与使用模拟退火算法在普通数字计算机上所需的时间进行比较，结果令人惊讶：CNN 计算机将比已经在1010 格子尺寸。现在实现的硬件尺寸为176144。此外，使 CNN 芯片适应此类问题似乎没有技术困难，所需的本地控制有望在不久的将来得到充分开发。
4.p-adic 蜂窝神经网络 ( arXiv )
作者 ： BA Zambrano-Luna , 西澳祖尼加-加林多
抽象的 ： 在本文中，我们介绍了 p-adic 细胞神经网络，它是 Chua 和 Yang 介绍的经典细胞神经网络 (CNN) 的数学概括。新网络有无限多的细胞，这些细胞在有根树中分层组织，并且它们有无限多的隐藏层。直观地说，p-adic CNN 是大型分层离散 CNN 的限制。更准确地说，新网络可以通过分层离散 CNN 很好地逼近。从数学上讲，每个新网络都由一个积分微分方程建模，具体取决于几个 p 进空间变量和时间。我们研究了与这些积分微分方程相关的柯西问题，并提供了求解它们的数值方法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
