Speicherangereicherte Berechnung und Lernprozesse in spiking neural networks durch Hebbianische Plastizität

Speicherung ist eine zentrale Komponente biologischer neuronaler Systeme, die die Speicherung von Informationen über einen extrem breiten zeitlichen Bereich ermöglicht – von Hundertstelsekunden bis hin zu Jahren. Obwohl angenommen wird, dass die Hebb’sche Plastizität eine entscheidende Rolle im biologischen Gedächtnis spielt, wurde sie bisher überwiegend im Kontext der Muster-Vervollständigung und des überwachungslosen Lernens untersucht. In dieser Arbeit argumentieren wir, dass die Hebb’sche Plastizität grundlegend für kognitive Berechnungen in biologischen neuronalen Systemen ist. Wir stellen eine neuartige Architektur spiking neuraler Netze vor, die durch Hebb’sche synaptische Plastizität erweitert ist. Wir zeigen, dass die Hebb’sche Erweiterung spiking neuraler Netze überraschend vielseitige computationale und Lernfähigkeiten verleiht. Sie verbessert deren Fähigkeit zur Generalisierung außerhalb der Trainingsverteilung, zum One-Shot-Lernen, zur cross-modalen generativen Assoziation, zur Sprachverarbeitung sowie zum belohnungsabhängigen Lernen. Da spiking neuronale Netze die Grundlage für energiesparende neuromorphe Hardware bilden, deutet dies darauf hin, dass leistungsfähige kognitive neuromorphe Systeme auf dieser Prinzipienbasis realisiert werden können.