静态与动态环境中基于双时间尺度神经元-星形胶质细胞记忆的神经形态导航

生物体通过将成功动作的长期记忆与对近期访问位置的短期抑制相结合来导航复杂环境——这一能力在人工系统中难以复制。我们介绍一种基于脉冲神经元—星形胶质细胞网络（SNAN）的神经形态导航系统，其中脉冲时序依赖可塑性（STDP）在长时间尺度上强化已走过的动作序列，而星形胶质细胞钙瞬变在短时间尺度上抑制进入近期访问状态的动作。这种双时间尺度记忆使智能体偏向未探索区域，而无需奖励信号或显式的全局统计。在智能体仅观测当前位置的网格世界中，星形胶质细胞调制将目标完成率从45.9%提高到99.9%，并在常见可解任务上将中位路径长度缩短5.8–15倍。与包括Tremaux算法、Tarry算法和表格Q学习在内的七种经典策略相比，SNAN在开放和稀疏静态迷宫中在可靠策略中给出最短路径，同时比基于记忆的基线存储少2.8–4.6倍的变量。在动态迷宫中，其衰减记忆不保留任何过时的通道标记，因此SNAN随着拓扑变化而变得更高效。经过十个学习周期后，STDP使SNAN成为最佳的可靠策略。星形胶质细胞调制通过局部状态抑制缓解探索—利用权衡，这是一种我们称为拓扑情境记忆的工作记忆形式。为验证硬件可行性，我们将STDP映射到忆阻器VTEAM模型，并在交叉阵列上实现该网络的一个子集，相比CPU实现在单位面积速度和每次决策能耗上获得数量级的提升。这些结果确立了受星形胶质细胞启发的双时间尺度记忆作为一种紧凑、硬件兼容的神经形态导航原理。

中文由 AI 翻译，仅供参考，以原文为准。