On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

In de stille hoekjes van de informatica streeft een specifieke tak van onderzoek ernaar om machines te bouwen die meer denken als levende wezens. Decennialang heeft standaard kunstmatige intelligentie vertrouwd op wiskundige modellen die informatie verwerken in gestage, continue stromen, vergelijkbaar met een rekenmachine die getallen verwerkt. Maar het menselijk brein werkt anders. Het communiceert via korte, scherpe elektrische uitbarstingen die 'spikes' worden genoemd, en de verbindingen tussen de cellen zijn niet vast; ze groeien, krimpen en herbedraden zichzelf op basis van ervaring. Dit veld, bekend als natuurlijke computing, probeert die biologische dynamiek te vangen. Het doel is om systemen te creëren die niet alleen berekenen, maar ook aanpassen, door te leren van de timing van signalen en de fysieke structuur van hun eigen netwerken.

Een team onderzoekers in Kolkata heeft een belangrijke stap in deze richting gezet door een nieuw type computermodel te ontwerpen dat deze biologische gedragingen nabootst. Ze richtten zich op een specifieke uitdaging: het herkennen van handgeschreven letters. Hoewel standaardcomputers gemakkelijk tekst kunnen lezen, hebben ze vaak moeite wanneer de input rommelig of vervormd is. De onderzoekers wilden zien of een systeem dat fysiek zijn eigen interne verbindingen kon reorganiseren, terwijl het ook de sterkte van die verbindingen aanpaste, ruis beter kon afhandelen dan bestaande methoden. Hun werk introduceert een model dat twee krachtige biologische concepten combineert: het vermogen om verbindingen ter plekke te creëren en te verwijderen, en het vermogen om te leren van de precieze timing van signalen.

De onderzoekers bouwden een digitaal brein bestaande uit eenvoudige eenheden die fungeren als neuronen. In tegen tegenstelling tot traditionele netwerken waar het pad tussen twee punten permanent is, staat dit systeem toe dat de verbindingen zelf veranderen. Wanneer een signaal arriveert, kan het systeem besluiten een nieuwe brug te bouwen tussen twee eenheden of een oude af te breken. Dit wordt structurele plasticiteit genoemd. Tegelijkertijd gebruikt het systeem een leerregel die is geïnspireerd op de manier waarop menselijke hersenen herinneringen versterken. Als twee eenheden tegelijkertijd vuren, wordt de verbinding tussen hen sterker; als ze uit de pas vuren, verzwakt de verbinding. Deze tweeledige aanpak stelt het systeem in staat om niet alleen te leren welke signalen belangrijk zijn, maar ook om zijn netwerk fysiek te herconfigureren om zich op de juiste patronen te concentreren.

Om dit idee te testen, creëerde het team een synthetische dataset van Engelse letters. Ze namen eenvoudige 7-bij-5 rasters van pixels, waarbij zwarte pixels de letter representeerden en witte pixels de achtergrond. Ze zetten deze rasters om in sequenties van elektrische spikes. Om imperfecties uit de echte wereld te simuleren, draaiden ze willekeurig enkele bits in de data om, waardoor zwarte pixels wit werden en vice versa, wat drie niveaus van ruis creëerde: laag, medium en hoog. Vervolgens voedden ze deze ruizige sequenties in hun nieuwe model en observeerden hoe goed het de letters kon identificeren. Ze vergeleken de resultaten met een eerder model dat alleen de op timing gebaseerde leerregel gebruikte zonder het vermogen om zijn verbindingen te herbedraden.

De resultaten toonden aan dat het nieuwe systeem opmerkelijk veerkrachtig was. Wanneer de data perfect schoon was, identificeerde het model de letters met een gemiddelde nauwkeurigheid van bijna 99,8 procent. Belangrijker nog, naarmate de ruis toenam, hield het nieuwe model de stand beter vast dan het oudere model. In scenario's met medium en hoge niveaus van ruis, waar het oudere model begon te wankelen, behield het nieuwe systeem een hogere nauwkeurigheid. Bijvoorbeeld, wanneer zeven bits van het 35-bits letterpatroon waren omgedraaid, slaagde het nieuwe model er nog steeds in om de letters ongeveer 80 procent van de tijd correct te herkennen, waarmee het de vorige benchmark overtrof. De onderzoekers ontdekten dat het vermogen om dynamisch verbindingen te creëren en te verwijderen het systeem in staat stelde om de willekeurige fouten weg te filteren en zich op de kernvorm van de letter te concentreren.

De studie benadrukte ook een afweging. Hoewel het nieuwe model robuuster en nauwkeuriger was onder ruisige omstandigheden, vereiste het meer computationele middelen om het complexe proces van herbedrading en gewichtsaanpassing te beheren. Het oudere, eenvoudigere model was sneller en lichter, maar minder in staat om aanzienlijke vervorming aan te kunnen. De onderzoekers merkten op dat hun werk dient als een bewijs van concept, dat aantoont dat een systeem zijn eigen structuur kan evolueren om problemen op te lossen. Ze gebruikten een synthetische dataset gegenereerd uit sjablonen in plaats van echte foto's, wat betekent dat de bevindingen specifiek van toepassing zijn op dit type patroonherkenningstaak. Echter, het succes suggereert dat het combineren van structurele veranderingen met timing-gebaseerd leren een krachtige strategie kan zijn voor het bouwen van machines die niet alleen slim zijn, maar ook aanpasbaar aan de rommelige, onvoorspelbare aard van echte wereldgegevens.