Les chercheurs développent le système inspiré par neuro neuf pour trouver les configurations temporelles

Une méthodologie neuve pour classifier les configurations temporelles inspirées par des circuits de cerveau a été développée pour aider à comprendre les mécanismes qui sont à la base d'apprendre biologique. Ce système a été développé par des chercheurs d'Universidad Politécnica De Madrid (UPM), notamment.

Une équipe scientifique, constituée par des chercheurs du centre pour la technologie biomédicale (CTB) à UPM, université de La Laguna (ULL) et institut pour la physique Croix-Disciplinaire et le système complexe (IFISC, CSIC-UIB), a développé une méthode neuve pour trouver les configurations temporelles qui est basée sur un système inspiré par neuro et est employée pour classifier l'activité cérébrale utilisant la magnéto-encéphalographie. Cette méthodologie, qui a été validée et appliquée aux caractéristiques réelles, pourrait jeter la lumière sur quelques mécanismes du stockage d'informations dans le cerveau.

Les êtres humains exécutent remarquablement le puits beaucoup de tâches cognitives comprenant la reconnaissance des formes bien que les mécanismes neuronaux étant à la base de ce procédé ne soient pas réputés. Cependant, des réseaux neuronaux artificiels, inspirés par des circuits de cerveau, ont été conçus et employés pour aborder des tâches spatio-temporelles de reconnaissance des formes.

Les travaux de recherches menés à bien par des chercheurs du laboratoire de la neurologie cognitive et de calcul (LNCyC) à CTB, en collaboration avec d'autres institutions, sont une structure de dépistage de configuration capable évaluer les séquences temporelles parallèles et, grâce au mécanisme de la plasticité synaptique ajouté au modèle, ils peuvent également apprendre les caractéristiques distinctives du type différent de signe d'intérêt.

La structure inspirée par neuro développée par le groupe est nommée le détecteur neuronal multi de pointe-séquence (MNSD). Le détecteur peut être formé en ligne utilisant des exemples neufs. Après avoir appris d'un certain nombre d'exemples, MNSD peut apprendre des séquences temporelles appartenant à un groupe spécifique et discerner des séquences instruites d'autres.