李大学的工程师；ge通过创建一种新型的尖峰神经元，在人工神经网络的架构上迈出了重要的一步。这种创新的模型被称为Spiking Recurrent Cell（SRC），它将实现的简单性与再现生物神经元动力学的能力相结合。再加上尖峰神经元的能量效率，这个新模型为神经启发的人工智能提供了令人兴奋的新前景。这项工作发表在《神经形态计算与工程》杂志上。
人工神经网络（Ann）和Spiking神经网络（SNN）是人工智能中使用的两种神经网络。然而，它们在结构、操作和应用方面存在显著差异
神经网络广泛用于各种机器学习应用（图像识别、语音识别、游戏），并且相对更容易实现。然而，它们的能源效率低且计算成本高
“它们的主要优势是能效，”列日大学蒙蒂菲奥里研究所的研究工程师Florent De Geeter解释道
“当这些神经网络在被称为神经形态硬件的特定硬件上运行时，它们的能耗会变得极低。这一特性意味着这些网络可以在能效至关重要的情况下使用，例如在嵌入式系统中，嵌入式系统是自主的计算机和电子系统，在集成它们的设备中执行精确的任务。”
与人工神经网络不同，神经网络很难训练，目前的研究重点是设计训练算法，使它们能够在复杂任务中与人工神经网竞争
作为ULiège一个雄心勃勃的项目的一部分，研究人员尝试了一种新方法：通过修改一种易于训练的众所周知的人工神经元的动力学，他们成功地模仿了生物神经元的行为，产生了一个新的模型：Spiking Recurrent Cell（SRC）
“这项研究的主要创新在于棘突复发细胞（SRC）的设计，”ULiège教授、该研究的合著者Damien Ernst解释道，“这是一种能够像生物神经元一样自主产生棘突的神经元模型。与人工产生刺突的传统SNN模型不同，SRC模型允许对神经元脉冲进行更自然和动态的模拟。”
含义和未来应用
这一新模型使神经网络的复杂学习算法与SNN的能量效率相结合成为可能。通过这种方式，SRC提供了一种混合解决方案，结合了两种类型的神经网络的优势，为新一代SNN铺平了道路
SRC的潜在应用是巨大的。由于其能源效率，SNN可以用于能源消耗至关重要的环境中，例如自动驾驶汽车中的车载系统
Implications and future applications
ULiège神经形态工程实验室主任、该研究的合著者Guillaume Drion表示：“此外，SRC模型通过调整其内部参数来模拟各种神经元行为的能力使这些网络更具表现力，更接近生物网络，从而在理解和再现大脑功能方面取得重大进展。”
SRC的创建和引入代表了神经网络领域的重大进步，结合了Ann和SNN的优势。这一创新为开发更高效、更节能的智能系统开辟了新的前景
The creation and introduction of the SRC represents a significant advance in the field of neural networks, combining the strengths of ANNs and SNNs. This innovation opens new prospects for the development of more efficient and energy-saving intelligent systems.
想要了解更多关于脑机接口技术的内容，请关注脑机网，我们将定期发布最新的研究成果和应用案例，让您第一时间了解脑机接口技术的最新进展。
