🤖 AI

Spiking Neural Networks for Continuous Control via End-to-End Model-Based Learning

यह शोध पत्र प्रदर्शित करता है कि लीकी इंटीग्रेट-एंड-फायर डायनेमिक्स (Leaky Integrate-and-Fire dynamics) को सरोगेट ग्रेडिएंट्स के साथ संयोजित करने वाले एक प्रेडिक्टिव-कंट्रोल फ्रेमवर्क के माध्यम से एंड-टू-एंड प्रशिक्षित, पूर्णतः स्पाइकिंग न्यूरल नेटवर्क, गैर-स्पाइकिंग बेसलाइनों के तुलनीय प्रदर्शन के साथ उच्च-आयामी रोबोटिक आर्म्स को प्रभावी ढंग से नियंत्रित कर सकते हैं और साथ ही काफी कम मापदंडों (parameters) का उपयोग कर सकते हैं।

मूल लेखक: Justus Huebotter, Pablo Lanillos, Marcel van Gerven, Serge Thill

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Justus Huebotter, Pablo Lanillos, Marcel van Gerven, Serge Thill

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: एक रोबोटिक मस्तिष्क को "स्पाइक्स" में सोचना सिखाना

कल्पना कीजिए कि आप एक रोबोटिक हाथ को कप उठाने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। अधिकांश आधुनिक रोबोट यह समझने के लिए कि कैसे हिलना है, एक "मानक" डिजिटल मस्तिष्क (जैसे आपके फोन में होता है) का उपयोग करते हैं। ये मस्तिष्क शक्तिशाली होते हैं लेकिन ऊर्जा की अधिक खपत कर सकते हैं और धीमे हो सकते हैं।

यह शोध पत्र एक अलग प्रकार के मस्तिष्क का परिचय देता है: एक स्पाइकिंग न्यूरल नेटवर्क (SNN)। एक मानक मस्तिष्क को एक रेडियो की तरह समझें जो सूचनाओं का एक निरंतर शोर प्रसारित करता रहता है। हालाँकि, एक स्पाइकिंग मस्तिष्क एक ऐसे कमरे की तरह है जहाँ लोग फुसफुसा रहे हैं। वे केवल तभी बोलते हैं (या "स्पाइक" करते) हैं जब उनके पास कहने के लिए कुछ महत्वपूर्ण होता है। यह उन्हें अविश्वसनीय रूप से कुशल बनाता है, बिल्कुल हमारे अपने सिर के भीतर मौजूद जैविक मस्तिष्क की तरह।

चुनौती क्या है? इन "फुसफुसाने वाले" मस्तिष्क को जटिल रोबोटिक हाथों को नियंत्रित करना सिखाना बहुत कठिन रहा है। यह शोध पत्र दावा करता है कि उसने इस समस्या को हल कर लिया है।

समाधान: एक दो-सदस्यीय टीम

लेखकों ने एक ऐसी प्रणाली बनाई है जिसमें दो अलग-अलग "न्यूरल नेटवर्क" (इन्हें दो विशिष्ट कर्मचारियों के रूप में सोचें) एक साथ काम करते हैं:

अनुमान लगाने वाला (क्रिस्टल बॉल - भविष्य बताने वाला): यह नेटवर्क देखता है कि रोबक हाथ अभी कहाँ है और वह आगे क्या करने वाला है। यह अनुमान लगाने की कोशिश करता है कि एक पल बाद हाथ कहाँ होगा। यह एक शतरंज खिलाड़ी की तरह है जो सोचता है, "अगर मैं अपना प्यादा यहाँ चलता हूँ, तो मेरा प्रतिद्वंद्वी संभवतः अपना घोड़ा वहाँ चलेगा।"
नीति निर्माता (ड्राइवर): यह नेटवर्क देखता है कि हाथ कहाँ है और उसे कहाँ होना चाहिए। यह तय करता है कि अगली हरकत क्या करनी है। यह एक ड्राइवर की तरह है जो जीपीएस (GPS) को देखता है और कहता है, "अब बाएं मुड़ें।"

वे एक साथ कैसे काम करते हैं:
आमतौर पर, आपको "ड्राइवर" को वास्तविक दुनिया में गलतियाँ करके प्रशिक्षित करना पड़ता है, जो धीमा और जोखिम भरा होता है। इसके बजाय, यह प्रणाली "क्रिस्टल बॉल" को भविष्य का अनुकरण (सिमुलेशन) करने देती है। "ड्राइवर" "क्रिस्टल बॉल" द्वारा बनाए गए एक आभासी सिमुलेशन में अपनी चालों का अभ्यास करता है। यदि सिमुलेशन कहता है, "उस चाल से आप कप को मिस कर देंगे," तो "ड्राइवर" उस गलती से सीखता है बिना वास्तव में रोबोट को टकराए या नुकसान पहुँचाए।

गुप्त नुस्खा: "फुसफुसाहट" को प्रभावी बनाना

शोध पत्र में कई "ट्रिक्स" का विवरण दिया गया है जिनका उपयोग उन्होंने इस प्रणाली को स्थिर और प्रभावी बनाने के लिए किया है, जिसे वे एंड-टू-एंड लर्निंग (End-to-End Learning) कहते हैं। यहाँ मुख्य सामग्रियां हैं:

सरोगेट ग्रेडिएंट्स (अनुवादक):
मानक AI में, आप आसानी से यह गणना कर सकते हैं कि गलती को कैसे सुधारा जाए क्योंकि गणित सुचारू (smooth) होता है। स्पाइकिंग मस्तिष्क में, "फुसफुसाहट" अचानक उछाल (ऑन/ऑफ) होती है, जो गणित को तोड़ देती है। लेखकों ने एक "अनुवादक" (जिसे सरोगेट ग्रेडिएंट कहा जाता है) का उपयोग किया जो यह दिखावा करता है कि वे उछाल सुचारू हैं ताकि गलती को ठीक करने का तरीका पता लगाया जा सके, और फिर मस्तिष्क को वापस स्पाइकर बनने देता है।
लर्नेबल टाइम कांस्टेंट्स (समायोज्य घड़ी):
जैविक न्यूरॉन्स में आंतरिक घड़ियाँ होती हैं जो यह निर्धारित करती हैं कि वे कितनी तेज़ी से प्रतिक्रिया देते हैं। लेखकों ने रोबोटिक मस्तिष्क को अपनी स्वयं की घड़ी की गति को सीखने की अनुमति दी। यदि किसी कार्य के लिए तेज़ प्रतिक्रिया की आवश्यकता है, तो मस्तिष्क अपनी आंतरिक घड़ी की गति बढ़ा देता है। यदि इसे किसी विचार को लंबे समय तक थामे रखने की आवश्यकता है, तो यह अपनी गति धीमी कर देता है। यह रोबोट को एक ऐसी घड़ी देने जैसा है जिसे वह कार्य के अनुसार खुद समायोजित कर सकता है।
एडेप्टिव थ्रेशोल्ड्स (स्व-विनियमित वॉल्यूम नॉब):
कभी-कभी न्यूरॉन्स बहुत अधिक उत्साहित हो जाते हैं और बहुत अधिक चिल्लाते हैं, या वे बहुत शांत हो जाते हैं और बोलना बंद कर देते हैं। लेखकों ने एक तंत्र जोड़ा जहाँ एक न्यूरॉन का "वॉल्यूम नॉब" (थ्रेशोल्ड) स्वचालित रूप से समायोजित होता है। यदि वह बहुत अधिक चिल्लाता है, तो नॉब उसे शांत करने के लिए कम हो जाता है। यदि वह बहुत शांत है, तो उसे जगाने के लिए नॉब ऊपर हो जाता है। यह पूरी टीम को संतुलित रखता है।
लेटेंट-स्पेस कम्प्रेशन (संक्षिप्त नोट):
स्थान और ऊर्जा बचाने के लिए, सिस्टम परतों के बीच की जानकारी को संकुचित (compress) करता है, जैसे कि एक सचिव विस्तृत नोट्स लेता है और उन्हें अगले व्यक्ति को भेजने से पहले एक संक्षिप्त मेमो में सारांशित करता है। यह सिस्टम को बहुत व्यापक और शक्तिशाली होने की अनुमति देता है बिना भारी संख्या में पैरामीटर्स (मेमोरी) की आवश्यकता के।

परिणाम: छोटा मस्तिष्क, बड़ी सफलता

टीम ने दो कार्यों पर इसका परीक्षण किया:

एक समतल सतह पर चलने वाला एक सरल 2D हाथ।
एक जटिल 6-जोड़ों वाला रोबोटिक हाथ (मानव हाथ की तरह) जो 3D स्पेस में घूमता है।

निष्कर्ष आश्चर्यजनक थे:

प्रदर्शन: स्पाइकिंग रोबोटिक हाथ ने मानक डिजिटल मस्तिष्क के समान ही प्रदर्शन किया। यह सटीकता और सहजता के साथ लक्ष्यों तक पहुँच सका।
दक्षता: स्पाइकिंग मस्तिष्क ने मानक डिजिटल मस्तिष्क की तुलना में 10 से 14 गुना कम पैरामीटर्स (मेमोरी साइज) के साथ यह उपलब्धि हासिल की।
भविदन बनाम नियंत्रण: दिलचस्प बात यह है कि स्पाइकिंग मस्तिष्क को एक परफेक्ट क्रिस्टल बॉल होने की आवश्यकता नहीं थी। भले ही भविष्य के इसके अनुमान मानक मस्तिष्क की तुलना में थोड़े कम सटीक थे, फिर भी इसने हाथ को पूरी तरह से नियंत्रित करना सीख लिया। यह सुझाव देता है कि रोबोट को नियंत्रित करने के लिए, आपको भविष्य के पूर्ण अनुमान की आवश्यकता नहीं है; आपको बस एक ऐसे अनुमान की आवश्यकता है जो ड्राइवर को मार्गदर्शन देने के लिए "पर्याप्त अच्छा" हो।

निचोड़

यह शोध पत्र सिद्ध करता है कि स्पाइकिंग नेटवर्क के लाभ प्राप्त करने के लिए आपको एक मानक डिजिटल मस्तिष्क को स्पाइकिंग मस्तिष्क में बदलने की आवश्यकता नहीं है। आप आधुनिक डीप लर्निंग तकनीकों का उपयोग करके एक स्पाइकिंग मस्तिष्क को शुरू से प्रशिक्षित कर सकते हैं।

उन्होंने दिखाया कि सही "प्रशिक्षण उपकरणों" (जैसे समायोज्य घड़ियाँ और स्व-विनियमित वॉल्यूम नॉब) के साथ, ये कुशल, जैविक-शैली के मस्तिष्क जटिल, उच्च-गति वाले रोबोटिक कार्यों को उनके भारी, ऊर्जा-खपत करने वाले डिजिटल समकक्षों की तरह ही अच्छी तरह से संभाल सकते हैं। यह ऐसे रोबोट बनाने की दिशा में एक कदम है जो न केवल स्मार्ट हैं बल्कि ऊर्जा-कुशल और तेज़ भी हैं, बिल्कुल जीवित प्राणियों की तरह।

तकनीकी सारांश: एंड-टू-एंड मॉडल-बेस्ड लर्निंग के माध्यम से निरंतर नियंत्रण के लिए स्पाइकिंग न्यूरल नेटवर्क

समस्या विवरण
वर्गीकरण (classification) के लिए स्पाइकिंग न्यूरल नेटवर्क (SNNs) के प्रशिक्षण में हालिया प्रगति के बावजूद, निरंतर मोटर नियंत्रण (continuous motor control) में उनका अनुप्रयोग सीमित बना हुआ है। जबकि जैविक मस्तिष्क मजबूत, अनुकूलन योग्य और कम-विलंबता वाले मोटर व्यवहार के लिए स्पाइक-आधारित संचार का उपयोग करते हैं, इस तकनीक को रोबोटिक्स के लिए व्यावहारिक मशीन लर्निंग सिस्टम में अनुवादित करना चुनौतीपूर्ण है। प्राथमिक बाधा निरंतर कार्यों के लिए SNNs को एंड-टू-एंड प्रशिक्षित करने में आने वाली कठिनाई है। मानक आर्टिफिशियल न्यूरल नेटवर्क (ANNs) और गेटेड रिकरेंट न्यूरल नेटवर्क (RNNs) के विपरीत, जिन्हें सुचारू ग्रेडिएंट्स (smooth gradients) का लाभ मिलता है, SNNs स्पाइकिंग नॉनलिनैरिटीज़ के कारण विच्छिन्नता (discontinuities) प्रदर्शित करते हैं। यह पारंपरिक रूप से शोध को सिद्धांतों पर आधारित एंड-टू-एंड अनुकूलन के बजाय स्थानीय प्लास्टिसिटी नियमों, ऑनलाइन अनुकूलन, या अप्रत्यक्ष प्रशिक्षण प्रतिमानों की ओर धकेलता है। इसके अलावा, मौजूदा SNN नियंत्रण दृष्टिकोण अक्सर विश्लेषणात्मक मॉडल, स्थानीय शिक्षण नियमों, या ANN-से-SNN रूपांतरण पर निर्भर करते हैं, जिनमें उच्च-डिग्री-ऑफ-फ्रीडम (DoF) निरंतर नियंत्रण या अनमॉडल डायनेमिक्स के प्रति मजबूती की कमी हो सकती है।

कार्यप्रणाली (Methodology)
लेखक एक प्रेडिक्टिव-कंट्रोल (Pred-Control) SNN आर्किटेक्चर प्रस्तावित करते हैं, जो सरोगेट ग्रेडिएंट्स का उपयोग करके एंड-टू-एंड प्रशिक्षित किया गया एक पूर्णतः स्पाइकिंग, मॉडल-बेस्ड कंट्रोल फ्रेमवर्क है। यह प्रणाली दो प्रशिक्षित स्पाइकिंग नेटवर्क से बनी है:

प्रेडिक्शन नेटवर्क (फॉरवर्ड मॉडल): एक रिकरेंट स्पाइकिंग नेटवर्क जो वर्तमान अवस्था ( $s_t$ ) और कंट्रोल इनपुट ( $u_t$ ) दिए जाने पर भविष्य के अवस्था परिवर्तनों ( $\Delta \hat{s}_t$ ) की भविष्यवाणी करता है। यह लर्न करने योग्य टाइम कॉन्स्टेंट्स और वैकल्पिक एडेप्टिव थ्रेशोल्ड के साथ लीकी इंटीग्रेट-एंड-फायर (LIF) न्यूरॉन्स का उपयोग करता है।
पॉलिसी नेटवर्क (इनवर्स मॉडल): एक फीडफॉरवर्ड स्पाइकिंग नेटवर्क जो वर्तमान अवस्था ( $s_t$ ) और लक्षित अवस्था ( $s^*_t$ ) के आधार पर इष्टतम कंट्रोल एक्शन ( $u_t$ ) का अनुमान लगाता है।

प्रमुख प्रशिक्षण रणनीतियाँ और घटक:

सरोगेट ग्रेडिएंट्स (Surrogate Gradients): बैकवर्ड पास के दौरान गैर-डिफरेंशिएबल स्पाइक फंक्शन को एक सुचारू सरोगेट फंक्शन (विशेष रूप से गॉसियन स्पाइक) का उपयोग करके अनुमानित किया जाता है ताकि ग्रेडिएंट-आधारित अनुकूलन सक्षम हो सके।
आर्किटेक्चर: दोनों नेटवर्क LIF न्यूरॉन्स का उपयोग करते हैं। प्रेडिक्शन नेटवर्क में आंशिक अवलोकनों (जैसे वेलोसिटी) से छिपे हुए स्टेट वेरिएबल्स का अनुमान लगाने के लिए रिकरेंट कनेक्शन शामिल हैं, जबकि पॉलिसी नेटवर्क फीडफॉरवर्ड है।
लर्नेबल टाइम कॉन्स्टेंट्स (Learnable Time Constants): मेम्ब्रेन ( $\tau_{mem}$ ) और सिनेप्टिक ( $\tau_{syn}$ ) टाइम कॉन्स्टेंट्स को लर्न करने योग्य पैरामीटर के रूप में माना जाता है (जिन्हें फ्लक्चुएशन-ड्रिवन इनिशियलाइजेशन के माध्यम से इनिशियलाइज किया जाता है) ताकि नेटवर्क अपने आंतरिक टेम्पोरल डायनेमिक्स को कार्य की मांगों के अनुसार अनुकूलित कर सके।
एडेप्टिव थ्रेशोल्ड्स (ALIF): मॉडल में घटते बेसलाइन थ्रेशोल्ड और स्पाइक-ट्रिगर्ड एडैप्टेशन वाले एडेप्टिव LIF न्यूरॉन्स शामिल हैं। यह तंत्र शांत न्यूरॉन्स को पुन: सक्रिय करता है और निरंतर ओवर-एक्टिवेशन को रोकता है, जिससे लंबे क्षितिज (long horizons) पर बेहतर क्रेडिट असाइनमेंट में सुधार होता है।
लेटेंट-स्पेस कम्प्रेशन (Latent-Space Compression): पैरामीटर दक्षता में सुधार के लिए, आर्किटेक्चर स्पाइकिंग लेयर्स के बीच लेटेंट-स्पेस कम्प्रेशन का उपयोग करता है, जिससे एक निश्चित पैरामीटर बजट के भीतर व्यापक लेयर्स संभव हो पाती हैं।
प्रशिक्षण पाइपलाइन: नेटवर्क्स को एक रिप्ले बफर का उपयोग करके पुनरावृत्ति (iteratively) के माध्यम से प्रशिक्षित किया जाता है। प्रेडिक्शन मॉडल को टीचर फोर्सिंग के माध्यम से अपडेट किया जाता है, जबकि पॉलिसी को पॉलिसी लॉस के लिए डिफरेंशिएबल स्टेट एस्टीमेट्स उत्पन्न करने के लिए फ्रोजन प्रेडिक्शन मॉडल को रोल आउट करके अनुकूलित किया जाता है।

प्रायोगिक सेटअप (Experimental Setup)
इस फ्रेमवर्क का मूल्यांकन दो सिम्युलेटेड निरंतर नियंत्रण वातावरणों पर किया गया:

2D प्लेनर आर्म: एक टू-जॉइंट आर्म जिसमें आंशिक अवलोकन (वेलोसिटी डेटा नहीं) था, जिसका उपयोग हाइपरपैरामीटर स्क्रीनिंग के लिए किया गया।
3D रोबोटिक आर्म (6-DoF): टॉर्क कंट्रोल के साथ एक सिम्युलेटेड फ्रैंका एमिका पांडा रोबोट, जो एक उच्च-आयामी निरंतर नियंत्रण कार्य का प्रतिनिधित्व करता है।

प्रमुख परिणाम

प्रदर्शन बनाम पैरामीटर्स: 6-DoF रीचिंग टास्क पर, फुल प्रेड-कंट्रोल SNN ने एक बड़े नॉन-स्पाइकिंग रिकरेंट बेसलाइन (लगभग 12.7M पैरामीटर्स) के बराबर कार्य प्रदर्शन (संचयी दूरी, सफलता दर, टाइम-ऑन-टारगेट) प्राप्त किया, जबकि इसमें एक क्रम का कम पैरामीटर्स (लगभग 0.9M) का उपयोग किया गया था।
एब्लेशन स्टडीज (Ablation Studies):
- लर्नेबल टाइम कॉन्स्टेंट्स: विशेष रूप से सब-ऑप्टिमल इनिशियलाइजेशन को क्षतिपूर्ति करने में, इसने कन्वर्जेंस और अंतिम प्रदर्शन में महत्वपूर्ण सुधार किया।
- एडेप्टिव थ्रेशोल्ड्स (ALIF): फायरिंग रेट्स को स्थिर करके और शांत न्यूरॉन्स को पुन: सक्रिय करके प्रदर्शन को बढ़ाया, जिससे बेहतर लॉन्ग-होरिज़न क्रेडिट असाइनमेंट की सुविधा मिली।
- लेटेंट कम्प्रेशन: इसने निश्चित पैरामीटर बजट पर व्यापक स्पाइकिंग लेयर्स को सक्षम बनाया, जिससे अनुकूल प्रदर्शन-दक्षता ट्रेड-ऑफ प्राप्त हुआ।
प्रेडिक्शन बनाम कंट्रोल: नॉन-स्पाइकिंग बेसलाइन्स ने कम लॉन्ग-होरिज़न प्रेडिक्शन मीन स्क्वेर्ड एरर (MSE) प्राप्त किया, लेकिन यह बेहतर कंट्रोल प्रदर्शन में परिवर्तित नहीं हुआ। SNN ने कम सटीक ऑटो-रिग्रेसिव प्रेडिक्शन के बावजूद तुलनीय कंट्रोल प्रभावशीलता प्रदर्शित की, जो यह सुझाव देता है कि प्रभावी नियंत्रण के लिए एक ऐसा मॉडल आवश्यक है जो कार्य-प्रासंगिक डायनेमिक्स को पकड़ने के लिए पर्याप्त अभिव्यंजक हो, न कि पूर्ण प्रेडिक्शन फिडेलिटी।
स्थिरता (Stability): प्रस्तावित SNN ने बेसिक स्पाइकिंग कंट्रोलर्स की तुलना में अधिक सुचारू और स्थिर ऑप्टिमाइजेशन डायनेमिक्स प्रदर्शित किए, हालांकि इसने नॉन-स्पाइकिंग बेसलाइन्स की तुलना में अधिक धीरे सीखा।

महत्व और दावे
यह पेपर दावा करता है कि पूर्णतः स्पाइकिंग आर्किटेक्चर को निरंतर वातावरण में कई डिग्री-ऑफ-फ्रीडम वाले रोबोटिक आर्म्स को नियंत्रित करने के लिए एंड-टू-एंड प्रशिक्षित किया जा सकता है, जो डीप लर्निंग ट्रेनिंग टूल्स और जैविक रूप से प्रेरित कंप्यूटेशन के बीच के अंतर को पाटता है।

मुख्य योगदान शामिल हैं:

स्केलेबिलिटी: बिना ANN प्री-ट्रेनिंग, कन्वर्जन, या हार्डवेयर-विशिष्ट बाधाओं के, उच्च-आयामी निरंतर नियंत्रण के लिए SNNs को एक व्यवहार्य और स्केलेबल सबस्ट्रेट के रूप में स्थापित करना।
सिद्धांत आधारित डिजाइन: यह उजागर करना कि विशिष्ट आर्किटेक्चरल और ट्रेनिंग डिजाइन विकल्प—अर्थात लर्न करने योग्य टाइम कॉन्स्टेंट्स, एडेप्टिव थ्रेशोल्ड्स और लेटेंट-स्पेस कम्प्रेशन—स्पाइकिंग डोमेन में स्थिर प्रशिक्षण और प्रभावी नियंत्रण के लिए महत्वपूर्ण हैं।
मॉडल-बेस्ड कंट्रोल: कंट्रोल लूप में सीखे गए प्रेडिक्टिव मॉडल्स को एकीकृत करने से SNNs को उच्च-आयामी, लॉन्ग-होरिज़न कार्यों तक स्केल करने में मदद मिलती है।
दक्षता: यह दिखाना कि समकक्ष नॉन-स्पाइकिंग रिकरेंट नेटवर्क की तुलना में काफी कम पैरामीटर्स के साथ उच्च-प्रदर्शन वाला नियंत्रण प्राप्त किया जा सकता है।

लेखक इस कार्य को एक ऐसे स्केलेबल, अनुकूलनीय और ऊर्जा-कुशल नियंत्रण प्रणाली के निर्माण की दिशा में एक कदम के रूप में देखते हैं जो प्रेडिक्टिव कंप्यूटेशन के साथ डीप लर्निंग ट्रेनिंग को एकीकृत करती है, जिससे SNNs वर्गीकरण बेंचमार्क से आगे बढ़कर अनुकूलन योग्य, एम्बोडीड कंप्यूटेशन की ओर बढ़ते हैं। वे बैकप्रोपेगेशन-थ्रू-टाइम (BPTT) के कम्प्यूटेशनल ओवरहेड और रेट कोडिंग पर वर्तमान निर्भरता के संबंध में सीमाओं को स्वीकार करते हैं, और सुझाव देते हैं कि भविष्य के शोध को ऑनलाइन लर्निंग मेथड्स (जैसे e-prop) और वैकल्पिक स्पाइक कोडिंग स्कीम्स का पता लगाना चाहिए।

मुख्य विचार: एक रोबोटिक मस्तिष्क को "स्पाइक्स" में सोचना सिखाना

समाधान: एक दो-सदस्यीय टीम

गुप्त नुस्खा: "फुसफुसाहट" को प्रभावी बनाना

परिणाम: छोटा मस्तिष्क, बड़ी सफलता

निचोड़

इसी तरह के और पेपर