ترجمه فارسی مقاله Mamba با الهام از زیستی: محل زمانی و یادگیری بیوپل در مدلهای فضایی انتخابی

چکیده

This paper introduces Bio-Inspired Mamba (BIM), a novel online learning framework for selective state space models that integrates biological learning principles with the Mamba architecture. BIM combines Real-Time Recurrent Learning (RTRL) with Spike-Timing-Dependent Plasticity (STDP)-like local learning rules, addressing the challenges of temporal locality and biological plausibility in training spiking neural networks. Our approach leverages the inherent connection between backpropagation through time and STDP, offering a computationally efficient alternative that maintains the ability to capture long-range dependencies. We evaluate BIM on language modeling, speech recognition, and biomedical signal analysis tasks, demonstrating competitive performance against traditional methods while adhering to biological learning principles. Results show improved energy efficiency and potential for neuromorphic hardware implementation. BIM not only advances the field of biologically plausible machine learning but also provides insights into the mechanisms of temporal information processing in biological neural networks.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله Mamba (BIM) الهام گرفته از زیستی ، یک چارچوب جدید یادگیری آنلاین برای مدل های فضایی انتخابی دولتی که اصول یادگیری بیولوژیکی را با معماری Mamba ادغام می کند ، معرفی شده است.BIM یادگیری مکرر در زمان واقعی (RTRL) را با قوانین آموزی وابسته به سنبله (STDP) مانند قوانین یادگیری محلی ترکیب می کند ، و به چالش های مکان زمانی زمانی و احتمال بیولوژیکی در آموزش شبکه های عصبی سنبله می پردازد.رویکرد ما از ارتباط ذاتی بین بازگردانی در طول زمان و STDP استفاده می کند و یک جایگزین محاسباتی کارآمد ارائه می دهد که توانایی ضبط وابستگی های دوربرد را حفظ می کند.ما BIM را در مدل سازی زبان ، تشخیص گفتار و وظایف تجزیه و تحلیل سیگنال زیست پزشکی ارزیابی می کنیم و عملکرد رقابتی را در برابر روشهای سنتی نشان می دهیم ضمن پایبندی به اصول یادگیری بیولوژیکی.نتایج نشان می دهد که بهره وری انرژی و پتانسیل برای اجرای سخت افزار عصبی بهبود یافته است.BIM نه تنها زمینه یادگیری ماشین بیولوژیکی قابل قبول را پیشرفت می کند بلکه بینشی در مورد مکانیسم های پردازش اطلاعات زمانی در شبکه های عصبی بیولوژیکی نیز ارائه می دهد.