LTC-SE: شبکه عصبی مایع زمان-ثابت (Liquid Time-Constant Neural Networks) نسخه ویژهی هوش مصنوعی مقیاسپذیر و سیستمهای تعبیه شده
LTC-SE: شبکه عصبی مایع زمان-ثابت (Liquid Time-Constant Neural Networks) نسخه ویژهی هوش مصنوعی مقیاسپذیر و سیستمهای تعبیه شده
میکاییل بیداله خانی1 فرحات آتاسوی2 همدان عبداللطیف3
1) موسسه مطالعات تحصیلات تکمیلی، دانشگاه کارابوک ترکیه
2) دانشکده مهندسی کامپیوتر، دانشگاه کارابوک ترکیه
3) دانشکده مهندسی برق و کامپیوتر، دانشگاه لبنانی آمریکایی، بیبلوس، لبنان
کد IOI مقاله
:
XGZK-HHGZA
محل انتشار :
هفتمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(7carse.com)
چکیده :
در این مقاله، التیسی-اسای (LTC-SE) را معرفی میکنیم، یک نسخه ویژه از الگوریتم شبکههای عصبی مایع زمان-ثابت (LTC) که در ابتدا توسط حسنی و همکاران در سال ۲۰۲۱ ارائه شده است. الگوریتم اصلی شبکه LTC، مدل شبکه عصبی ضربهای Leaky-Integrate-and-Fire (LIF) را با شبکههای عصبی بازگشتی زمان پیوسته (CTRNN)، معادلات دیفرانسیل معمولی عصبی (NODE) و واحدهای بازگشتی گیت دار سفارشی (GRU) تلفیق میکند. LTC-SE برای پاسخ به نیازهای منحصر به فرد سیستمهای تعبیه شده و هوش مصنوعی مقیاسپذیر طراحی شده است و شامل اصلاحاتی است که بر روی انعطافپذیری، سازگاری و سازماندهی کد تمرکز دارد. با فراهم کردن یک کتابخانه کلاس یکپارچه قابل اجرا با TensorFlow 2.x، LTC-SE گزینههای پیکربندی جامعی را برای کلاسهای LTCCell، CTRNN، NODE و CTGRU ارائه میدهد. ما عملکرد LTC-SE را با نسخه قبلی آن مقایسه میکنیم و فواید بهبودات ما را در مقابل تجربه کاربری، سازگاری تابع Keras و قابلیت خوانایی کد نشان میدهیم. بهبودات پیشنهادی، قابلیت کاربرد شبکههای عصبی مایع را در یک دامنه وسیع از وظایف یادگیری ماشین، از جمله رباتیک، تحلیل علّی و پیشبینی دنبالههای زمانی گسترش میدهد، در حالی که بر اساس کار حسنی و همکاران ساخته شده است.
کلمات کلیدی : واژگان کلیدی هوش مصنوعی قابل مقیاس شبکههای عصبی سیستمهای تعبیه شده بهینهسازی شبکههای عصبی مایع زمان ثابت شبکههای عصبی ضربهای leaky integrate and fire شبکههای عصبی بازگشتی زمان پیوسته معادلات دیفرانسیل معمولی عصبی واحدهای بازگشتی گیت دار