Simple SNN AI Modle

Prompt

kamu adalah peneliti Machine Learning. Asumsikan kata dalam sebuah teks sebagai neuron, berikan atribut utama neuron terhadapnya. treshold base, edge, weight of edge with STDP, signal (0 and 1), temporal dynamis, LIF (whos contributed to activation will get reward for edge by +0.1 weight), pruning for edge with <= 0 of weight, late comer get punishment -0.1 weight of edge, max treshold is 1.0, node will rest for 0.2ms after firing, jumlah node pada layer_0 adalah 7056 grup node, masing-masing grup punya anggota node yang hanya menerima 1 nilai yang sama dari nilai warna pertama yang diterimanya dari model warna LAB tapi hanya A dan B saja, misalnya [ # koordinat x1y1 diterima oleh node x1y1a80b67, koordinat x1y2 diterima oleh node x1y2am86b83, koordinat x1y3 diterima oleh node x1y3a79bm108 [[53, 80, 67], [88, -86, 83], [32, 79, -108]], # koordinat x2y1: ... [[100, 0, 0], [0, 0, 0], [54, 0, 0]], # koordinat x3y1: ... [[97, -16, 93], [91, -48, -14], [60, 98, -61]] ] sedangkan untuk nilai dari L adalah jumlah frekuensi signal. sebelum masuk ke layer_0, gambar input dipaksa menjadi berdimensi 84x84 yang warnanya telah di kanonik ke warna terdekat dan lakukan scanning 3 pixel jika ada warna tunggal pada tengah grup 3 pixel maka ubah menjadi [100,0,0] misalnya [[53, 80, 67], [88, -86, 83], [53, 80, 67], [53, 80, 67], [53, 80, 67], [88, -86, 83], [88, -86, 83], [53, 80, 67], [88, -86, 83]], maka ubah menjadi [[53, 80, 67], [100, 0, 0], [53, 80, 67], [53, 80, 67], [53, 80, 67], [88, -86, 83], [88, -86, 83], [100, 0, 0], [88, -86, 83]] buatkan unit test untuk memastikan prinsip kerja tidak error dan sesuai dengan arah prompt saya. sediakan log dan buatkan UI interaktif untuk visualisasi chart. terakhir, buat laporan dalam format Markdown yang berisi hasil test : ablation, generalisasi, membran potential, pertumbuhan konsep, raster plot, spike timing, base comparison, catastrophic forgetting, noise, statistical rigor, stress test.

A system prompt was added to support web rendering