এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Spiking Neural Networks (SNN)
Réseaux de neurones artificiels qui communiquent via des impulsions discretes (spikes) plutôt que des valeurs continues, mimant ainsi plus fidèlement le fonctionnement des neurones biologiques pour un traitement de l'information plus efficace en termes d'énergie.
Address Event Representation (AER)
Protocole de communication asynchrone où chaque événement (spike) est transmis avec l'adresse du neurone émetteur, optimisant la bande passante et la consommation énergétique dans les systèmes neuromorphiques distribués.
Memristor-Based Computing
Architecture de calcul utilisant des memristors comme éléments synaptiques physiques, permettant l'implémentation directe de poids synaptiques variables et de règles d'apprentissage locales dans le matériel neuromorphique.
Neuromorphic Processors
Unités de traitement spécialisées conçues pour implémenter des modèles de neurones et de synapses directement dans le silicium, offrant des performances massivement parallèles et une efficacité énergétique supérieure pour les charges de travail d'IA.
Silicon Neurons
Circuits électroniques qui reproduisent les caractéristiques dynamiques des neurones biologiques, incluant l'intégration temporelle, les seuils d'activation et les périodes réfractaires, formant les éléments de base des architectures neuromorphiques.
Hierarchical Temporal Memory (HTM)
Algorithme biomimétique inspiré du cortex néocortical, utilisant des mémoires éparses distribuées et des prédictions temporelles pour l'apprentissage de séquences et la reconnaissance de patterns dans les flux de données.
Local Learning Rules
Règles d'apprentissage où la mise à jour des poids synaptiques dépend uniquement des informations locales disponibles au niveau de chaque synapse, éliminant le besoin de rétropropagation globale et permettant un apprentissage en temps réel sur matériel neuromorphique.
On-Chip Learning
Capacité des systèmes neuromorphiques à adapter leurs paramètres directement sur la puce sans intervention externe, permettant une adaptation continue et autonome aux changements dans l'environnement ou les données d'entrée.
অ্যাসিঙ্ক্রোনাস কম্পিউটিং
গণনার একটি পদ্ধতি যেখানে অপারেশনগুলি একটি গ্লোবাল ক্লক দ্বারা সিঙ্ক্রোনাইজড হয় না বরং প্রাসঙ্গিক ঘটনা ঘটলে স্বাধীনভাবে ঘটে, যা নিউরোমরফিক আর্কিটেকচারে লেটেন্সি এবং শক্তি খরচ হ্রাস করে।
ক্রসবার আর্কিটেকচার
একটি গ্রিড-ভিত্তিক হার্ডওয়্যার কাঠামো যেখানে সারিগুলি প্রিসিন্যাপটিক নিউরন এবং কলামগুলি পোস্টসিন্যাপটিক নিউরন প্রতিনিধিত্ব করে, সংযোগস্থলে সিন্যাপটিক ডিভাইস সহ, যা নিউরোনাল সংযোগগুলির ঘন এবং সমান্তরাল বাস্তবায়ন সম্ভব করে।
টাইম-টু-ফার্স্ট-স্পাইক কোডিং
একটি নিউরোনাল কোডিং কৌশল যেখানে তথ্য একটি উদ্দীপনা পরে প্রথম স্পাইকের আগমনের সময় দ্বারা উপস্থাপিত হয়, যা নিউরোমরফিক সিস্টেমে দ্রুত সিদ্ধান্তের লেটেন্সি এবং উচ্চ শক্তি দক্ষতা প্রদান করে।
নিউরোমরফিক সেন্সিং
সেন্সর যা সরাসরি শারীরিক সংকেতকে অ্যাসিঙ্ক্রোনাস ইভেন্টে রূপান্তর করে যা নিউরোনাল স্পাইকের অনুরূপ, হার্ডওয়্যার স্তরে ডেটা প্রিপ্রসেসিং করে প্রেরণ এবং প্রক্রিয়া করার তথ্যের পরিমাণ হ্রাস করে।
হার্ডওয়্যার-ইন-দ্য-লুপ সিমুলেশন
পরীক্ষা এবং উন্নয়নের একটি পদ্ধতি যেখানে শারীরিক নিউরোমরফিক উপাদানগুলি সফ্টওয়্যার সিমুলেশনে সংহত করা হয়, সম্পূর্ণ স্থাপনার আগে অ্যালগরিদম এবং আর্কিটেকচারের ত্বরিত বৈধতা সম্ভব করে।
রেট কোডিং বনাম টেম্পোরাল কোডিং
নিউরোনাল কোডিংয়ের দুটি প্যারাডাইম যেখানে প্রথমটি স্পাইকের ফ্রিকোয়েন্সি দ্বারা এবং দ্বিতীয়টি তাদের সঠিক সময় দ্বারা তথ্য উপস্থাপন করে, আধুনিক নিউরোমরফিক সিস্টেমগুলি সর্বোত্তম প্রক্রিয়াকরণের জন্য এই দুটি পদ্ধতির হাইব্রিড ব্যবহার করতে পারে।