基于微分神经元环形振荡器的储备池计算研究

摘要

储备池计算是一种利用复杂系统动态特性进行函数逼近的机器学习方法。当前方法主要采用需要恒定电流维持活动的积分神经元耦合网络。本研究引入了一种小世界拓扑结构的微分神经元网络，该网络仅在输入变化时激活，可作为积分神经元的替代性储备计算基质。研究确定了使此类小世界网络成为有效储备池的耦合强度与网络拓扑参数。

方法实现

通过构建微分神经元环形振荡器网络，系统分析了网络动力学特性与计算性能的关联。在MNIST手写数字识别任务中，该网络实现了90.65%的识别准确率，与现有储备池计算方法性能相当。

技术意义

研究表明微分神经元可作为积分神经元的潜在替代方案，其仅在输入变化时激活的特性，为高功耗人工智能应用提供了可持续的技术路径。这种新型神经网络结构特别适用于需要低功耗运行的边缘计算场景。

实验数据：8页论文包含5组图示结果 研究领域：神经进化计算(cs.NE)、机器学习(cs.LG) 文献编号：arXiv:2507.21377