Питался: перевод %d0%bf%d0%b8%d1%82%d0%b0%d0%bb%d1%81%d1%8f значение в словаре

Симулятор MegaSim, управляемый событиями, обновляет утечку только при получении нового входного события. Для этого каждый нейрон сохраняет время своего последнего входного события в своих переменных состояния. После обновления утечки состояние нейрона V _mi ( t ) обновляется мгновенно путем добавления / вычитания синаптического веса соединения входящего спайка.Когда нейрон достигает своего положительного порога TH _плюс , он генерирует положительный импульс на выходе и сбрасывается до MembReset . Если он достигает своего отрицательного порога TH _минус , он генерирует отрицательный выброс на выходе и также сбрасывается. Таким образом, всплески вывода «подписываются». Знак пресинаптического спайка сочетается со знаком синаптического веса, чтобы определить знак обновления в постсинаптическом нейроне.Следовательно, настоящая модель нейрона является «подписанной» моделью нейрона.

Можно выродить эту модель со знаком в модель, которая генерирует только положительные всплески (или только отрицательные всплески). Это можно сделать, например, установив отрицательный порог TH _минус на очень высокое число (например, предел числовой точности в симуляторе). В наших экспериментах классификатор (FC) всегда использует эту вырожденную модель нейрона с положительным знаком. Таким образом, он ведет себя как нейрон LIF с ограниченной точностью и линейной утечкой.Для нейронов сверточного слоя (C1) мы будем использовать симметричные пороги ( TH _минус = — TH _плюс ) и скорости утечки ( TL _плюс = TL _минус ), но отрицательные пики отключены ( TH _minusInfo = 0, см. Дополнительные материалы). При достижении отрицательного порога ( TH _минус ) мембрана возвращается в состояние покоя ( MembReset ), но об отрицательном событии не сообщается.Мы обнаружили, что эта конфигурация дает немного лучшие результаты и сохраняет модель нейрона идентичной ранее опубликованной работе программных и аппаратных реализаций (Camunas-Mesa et al., 2011, 2012; Pérez-Carrasco et al., 2013; Serrano-Gotarredona et al. ., 2015). В дополнительных материалах мы показываем псевдокоды нейронных моделей сверточного слоя и полносвязного слоя классификатора.

2,5. Методика обучения событийно-ориентированного классификатора

Для этой работы обе архитектуры SNN уже извлекли функции.В случае топологии ConvNet (рисунок 2) это было сделано с использованием «достаточно богатого» набора предварительно запрограммированных фильтров обнаружения функций, как показано на рисунке 3, для уровня C1. Для случая полностью подключенной сети (рисунок 4) 2 скрытых слоя были обучены с использованием неконтролируемой методологии, описанной в O’Connor et al. (2013). Единственные веса, которые здесь подлежат обучению, — это веса полностью подключенного классификатора пиков (выходной слой).

Однако здесь обучение не выполняется в области пиков.Метод, который мы использовали в этой работе, состоит из следующих шагов:

1.- Обеспечьте последовательность импульсов стимула для каждой выборки на вход SNN (уровень 1) и создайте аналоговое векторное представление («кадр») для каждой выборки, построив нормализованную гистограмму счетных событий на выходе. модуля «Flatten» для топологии ConvNet и вывода второго уровня для полносвязной топологии.

2.- Используйте эти векторы (кадры) для обучения полностью подключенного (без пиков) классификатора с использованием стохастического градиентного спуска (SGD).

3.- Используйте масштабированную версию изученных весов классификатора для классификатора пиков.

Одним из параметров, который в принципе должен влиять как на обучение, так и на тестирование, является скорость утечки. В зависимости от значения скорости утечки нормализованные гистограммы могут незначительно изменяться, а следовательно, и полученные веса. Следовательно, тестирование следует проводить с использованием той же скорости утечки, которая использовалась для получения нормализованных гистограмм. Фактически, многие работы, о которых сообщается в литературе по нейронным сетям с импульсными помехами, не используют утечку (Diehl et al., 2015; Rueckauer et al., 2016) или используйте утечки в секундах (O’Connor et al., 2013). Однако, если утечки нет, после предоставления пиков, представляющих входной паттерн, все нейроны должны быть перезагружены, чтобы быть готовыми к следующему входу. В этом случае входные образцы должны быть предоставлены выборка за образцом (SBS), и система должна быть перезагружена между представлениями новых образцов. В реальной настройке сценария (например, движущийся робот) система не знает, когда поступает новый образец, и должна работать скорее в непрерывном режиме.Это когда происходит утечка, и нейронная активность исчезает через некоторое время после активации входного паттерна. В этой ситуации нет необходимости сбрасывать состояния нейронов, и система работает непрерывно. Следовательно, если есть ненулевая утечка, мы можем представить входные шаблоны один за другим, пока есть достаточно времени между выборками, чтобы позволить состояниям нейронов перейти в состояние покоя. В этом случае мы можем передать все символы как уникальную последовательность пиков ввода. Мы называем этот сценарий «One Pass» (OP).В оставшейся части статьи мы будем различать установки SBS (нулевая утечка) и OP (ненулевая утечка) как для обучения (то есть получения нормализованных гистограмм), так и для тестирования. Мы заметили, что в целом SBS работает немного лучше, чем OP.

Далее мы более подробно опишем каждый из трех этапов процедуры обучения.

2.5.1. От событий к кадрам

Используя симулятор пиков MegaSim, мы собираем последовательности пиков на выходе модуля «Flatten» в топологии ConvNet и на втором уровне для полностью связанной топологии, чтобы создать нормализованную гистограмму пиков для каждой выборки.Для каждого нейрона в слое «Flatten» (см. Раздел 2.3) мы подсчитываем общее количество спайков. Результирующая гистограмма нормализуется относительно максимального значения, в результате чего получается аналоговый вектор с N компонентами в интервале [0,1], N — количество выходов для сглаженного слоя. Эти результирующие гистограммы всплесков различаются в зависимости от набора данных, параметров слоя C1 и наличия утечки.

2.5.2. Обучение

Нормализованные гистограммы счетчиков выбросов слоя Flatten (рис. 2) для каждой входной выборки преобразуются в аналоговый вектор (кадр).Это повторяется как для обучающего, так и для тестового набора, чтобы создать новый набор данных, который будет использоваться для обучения классификатора.

Классификатор, используемый в этой работе, представляет собой регрессию Softmax , обученную с помощью мини-пакетного стохастического градиентного спуска (MSGD) (Bottou, 2010) без смещений. Выходные данные классификатора Y = ( Y ₁ , ⋯ Y _k , ⋯) представляют собой оценки или вероятности для каждого класса K .Функция активации Softmax приводит к следующему классу K выходного предсказания вероятности для данного входного вектора x _i

, где W — матрица весов, а x _i — входной вектор, подаваемый в классификатор, предоставленный слоем Flatten. Вектор W _k — это линия матрицы весов, представляющая класс K .Обратите внимание, что вероятности всех классов складываются в единицу.

Функция стоимости, которая должна быть минимизирована алгоритмом MSGD, представляет собой отрицательную логарифмическую потерю правдоподобия (NLL), которая описывается как:

, где D — мини-партия, K — набор классов, I _i ( j ) = 1 для j = L _i и 0 иначе. L _i — целевой вывод (метка) для образца i , а Y _j — вывод модуля Softmax j .

Цель SGD — минимизировать функцию стоимости NLL путем обновления параметров модели W ∈ ℜ ^{h × | K |} , где h — размер слоя Flatten, а K — количество классов. MSGD обновляет матрицу весов после каждого мини-пакета, вычисляя градиент относительно весов целевой функции,

, где η — скорость обучения, которая определяет размер шагов обновления, необходимых для достижения минимума.Для этой работы мы использовали фиксированную скорость обучения и фиксированное количество эпох.

Прогнозируемый класс y _i модели для данного входа x _i принимается как модуль с максимальной активацией и описывается как

2.5.3. От кадров назад к событиям

После завершения процесса обучения изученные веса масштабируются на постоянное целое число K . Это целое число должно быть порядка порога полносвязных нейронов пикового классификатора TH _FC .Как мы увидим в разделе 3, мы установили TH _FC = K , с K всегда равным 10 000 000.

3. Результаты

Мы провели обширное обучение и тестирование различных наборов данных, описанных в разделе 2.1, чтобы охарактеризовать эффективность классификатора пиков. Мы измеряем эффективность пикового классификатора с помощью того, что мы здесь называем «Потери классификатора ». Мы определяем « Classifier Loss » как разницу в производительности распознавания между точностью, полученной с помощью классификатора на основе кадра ANN, и точностью, полученной после сопоставления классификатора с его версией SNN.Если « Classifier Loss » отрицательно, то при переходе от ИНС к SNN происходит ухудшение, а если положительное — есть улучшение.

В таблице 2 показаны различные параметры, использованные для различных испытаний. Поскольку основное внимание в этой работе уделяется изучению и описанию классификатора, мы постарались сохранить первый слой свертки как можно более похожим среди всех наборов данных. Однако, в зависимости от характера набора данных, нам пришлось настроить несколько параметров и опций специально для каждого.Количество Feature Maps (FM) или сверток C1 всегда поддерживалось на уровне 18. Размер карты функций, однако, был изменен между 28 × 28 и 128 × 128, чтобы адаптироваться к входному пространству каждого набора данных. Размер ядра также варьируется от 7 × 7 до 21 × 21. Некоторые мета-параметры (например, выбранные временные интервалы для построения гистограмм) были скорректированы вручную в самом начале, быстро поиграв с некоторыми образцами обучающего набора. Мы никогда не использовали какой-либо результат набора тестов для точной настройки какого-либо параметра, поскольку это приведет к «утечке» информации о наборе тестов в систему (Nowotny, 2014).Все мета-параметры были определены с самого начала и больше никогда не менялись. Это произошло потому, что нашей целью была не оптимизация общей точности системы, а «потеря классификатора ».

Таблица 2. Параметры, используемые для слоев свертки C1 и классификаторов FC.

Положительные и отрицательные пороги нейронов слоя C1 были установлены симметрично, а для классификатора FC мы установили максимальный отрицательный порог, чтобы заставить его вести себя как популяция нейронов LIF, как обсуждалось в разделе 2.4. Мы заметили, что как для наборов синтетических данных MNIST (с задержкой или кодированием Пуассона), так и для наборов данных DVS, мы получили несколько лучшие результаты при использовании этой конфигурации для нейронов в слое C1. Для классификатора FC мы всегда использовали беззнаковые нейроны с порогом 10M. Параметры утечки TL _плюс и TL _минус используются только тогда, когда данные представлены в OP (One Pass). Когда данные представлены SBS (образец за образцом), все утечки были установлены на «0.”

Полученные результаты производительности сведены в Таблицу 3. Первый столбец — это «Размер обучающего среза» (TSS). Это относится к временным квантам, на которые были разрезаны последовательности выборок набора данных, чтобы представить их на уровне C1 и построить нормализованные гистограммы на уровне Flatten для обучения в области кадра. Для всех типов наборов данных MNIST мы всегда использовали полную последовательность пиков выборки. Эта продолжительность была равна 255 мкс для обоих синтетических MNIST (латентность и Пуассон), от 2 до 3 с для MNIST-DVS и около 300 мс для N-MNIST.Для наборов данных Poker-DVS мы не использовали полную последовательность выборок. Для Slow-Poker-DVS, как упоминалось в разделе 2, все записи сэмплов были разделены на отрезки по 100 мс, в то время как для Fast-Poker-DVS мы пробовали три разных размера срезов (2, 5 и 10 мс), потому что производительность была очень чувствительна к размеру среза.

Таблица 3. Сводка результатов деятельности.

Результаты в таблице 3 разделены на две группы: первая для обучения и тестирования без утечки с входами в формате SBS, а вторая обучена с утечкой с входами в формате OP.Во втором случае мы показываем тесты с входами в форматах OP и SBS. Столбцы «ИНС (кадры)» относятся к точности, полученной в области кадров при обучении классификатора с нормализованными гистограммами в качестве входных данных. Эти числа будут использоваться в качестве исходных данных для сравнения производительности версии с добавлением классификатора. Столбцы «SNN» показывают точность, полученную при сопоставлении изученных весов с сетью пиков, а столбцы « Classifier Loss » показывают наш показатель производительности, определенный выше.Для случаев обучения и тестирования без утечки (SBS) мы также предоставляем среднее количество событий на входную выборку (Средняя активность входной выборки), среднее общее количество для каждой выборки, произведенной в рамках всей сети, включая вход (Средняя общая активность выборки ), и «задержка», определяемая как разница во времени между первым всплеском входного уровня и первым всплеском выходного сигнала от классификатора. Параметры обучения, например количество эпох и скорость обучения (η), были зафиксированы на уровне 1500 эпох и 0.1 соответственно для каждого набора данных.

На рис. 6 показаны точности классификации набора тестов для различных наборов данных и их доверительные интервалы. Доверительные интервалы были рассчитаны для уровня достоверности 0,99 и в предположении, что тестовые образцы статистически независимы. Эти доверительные интервалы дают представление об ожидаемой точности в зависимости от метода (Isaksson et al., 2008; Nowotny, 2014). Можно видеть, что доверительные интервалы тесно связаны с размером набора тестов и количеством успешных результатов.

Рисунок 6. Точности классификации SNN для каждого набора данных вместе с соответствующими доверительными интервалами.

В следующих подразделах мы указываем более конкретные детали для каждого набора данных. Рисунок 7 показывает для каждого набора данных, как точность распознавания изменяется во время представления одного символа (в среднем) в зависимости от текущего числа входных событий. В системе, управляемой событиями, ее внутренние состояния и выходы развиваются по мере предоставления входных событий, событие за событием.Следовательно, некоторые выходные данные могут быть доступны во время представления символа и могут изменяться с каждым новым событием ввода во время представления последовательности событий ввода. При небольшом количестве входных событий точность вывода низкая. Но по мере того, как для данного символа ввода поступает больше событий ввода, точность распознавания продолжает улучшаться, пока обычно не достигает плато. Поскольку используемые нами наборы данных имеют весьма разнообразное среднее количество событий на символ, мы показываем на рисунке 7A эволюцию точности распознавания с процентным соотношением входных событий на символ, а на рисунке 7B это показано как функция от абсолютного количества событий. входные события (в логарифмическом масштабе).

Рисунок 7. Точность классификации SNN для каждого набора данных: (A), — функция среднего процента событий ввода на представление символа, а (B) — среднее абсолютное число событий ввода на представление символа.

3.1. Синтетические MNIST

Для синтетических наборов данных пиков MNIST (задержки и Пуассона) мы использовали полный исходный набор рукописных цифр на основе кадров, состоящий из 70 000 выборок, из которых 60 000 используются для обучения и 10 000 тестов.Размер обучающей партии оставался фиксированным и составлял 500 образцов. Чтобы иметь справедливое сравнение между кодированием Пуассона и кодированием с задержкой, длительность стимула для обоих была установлена ​​на 255 мкс. Порог нейронов C1 был вручную и грубо отрегулирован для максимальной точности классификации. Те же параметры использовались для уровня классификатора FC для обоих синтетических кодировок, как можно увидеть в таблице 2. Для наборов синтетических данных MNIST мы обычно наблюдали Classifier-Loss между -0.02 и -0,05%, за исключением случая Пуассона, если обучение с утечкой, но тестирование без утечки. В этом случае мы наблюдали небольшое улучшение + 0,02%. Более того, сравнение кодирования с задержкой и кодированием Пуассона показало, что кодирование с задержкой действительно генерирует меньше событий, как и ожидалось. Однако, как видно на рисунках 7A, B, для пуассоновского кодирования требуется менее 50% общих пиков для достижения максимального значения, тогда как кодирование с задержкой требует 100% входных пиков для достижения того же эффекта.Это имеет смысл, поскольку при кодировании с задержкой на пиксель приходится только один всплеск, тогда как при кодировании Пуассона пиксель срабатывает несколько раз.

3.2. N-MNIST

Набор данных N-MNIST включает 70 000 выборок, 60 000 для обучения и 10 000 для тестирования. Каждая выборка состоит из 3 последовательных саккад продолжительностью около 100 мс каждая. Следовательно, общая длительность символа составляет около 300 мс. Размер обучающей партии был установлен в 500 выборок. Параметры обучающей и тестовой нейронной сети представлены в таблице 2.Для результата SBS потеря точности составляет -0,54%. при обучении OP мы наблюдали несколько более высокую потерю точности: −0,68% при тестировании OP и −0,67% при тестировании SBS. Таким образом, лучший результат точности SNN составляет 97,23% при выполнении обучения и тестирования SBS.

3.3. МНИСТ-ДВС

Для набора данных MNIST-DVS мы используем полное разрешение DVS 128 × 128 пикселей. Набор данных состоит из 10 000 выборок цифр MNIST, из которых 8 000 используются для обучения и 2 000 — для тестирования.Размер обучающей партии уменьшен до 20 выборок. Порог нейронов C1 был скорректирован вручную для повышения точности классификации (см. Таблицу 2). В этом случае выбранный размер сверточного ядра C1 был 21 × 21. Для этого набора данных мы наблюдали потерю точности 0,05% для экспериментов SBS, а также для обучения и тестирования OP. Нет потери точности обучения ОП и тестирования SBS. Наилучший результат точности SNN составляет 97,95%. В литературе нет результатов по точности, представленных для этого набора данных, однако интересно отметить, что, используя меньший набор данных, чем N-MNIST, 10000 выборок по сравнению с 70000 выборок N-MNIST, мы достигаем немного лучшей точности. результат.

3,4. Медленный покер-DVS

Набор данных использует полное разрешение DVS. Всего имеется 6 751 образец, 5 402 образца используются для обучения и 1349 образцов для тестирования. Размер обучающего пакета составлял 50 выборок, а размер сверточного ядра составлял 15 × 15 (см. Таблицу 2). Длительность каждой выборки была установлена ​​на 100 мс. Наилучшая полученная точность SNN составила 99,70, что на 0,07% ниже результата классификатора при выполнении обучения и тестирования SBS. Потери выше при обучении и тестировании OP, -0.36%, точность классификатора также упала до 98,95%.

3,5. Быстрый покер-DVS

Количество выборок для этого набора данных ограничено 131 выборкой. Длительность каждого отсчета составляет ~ 10–30 мс. Подход, использованный с этим набором данных для увеличения количества выборок и повышения точности результатов, заключался в разделении представления выборки на разные временные отрезки для обучения классификатора с использованием регрессии Softmax. Например, при использовании временных интервалов в 2 мс обучающий набор для классификатора расширяется до 776 образцов и 192 для тестирования.Несмотря на то, что обучение классификатора выполнялось с использованием этих временных интервалов, тестирование SNN всегда проводилось по всей 131 выборке, 10–30 мс. Таким образом, 100% точности соответствует 131 правильно идентифицированному образцу. Результаты в таблице 3 показывают, что увеличение временного интервала увеличивает точность классификатора, но снижает точность SNN. Точность классификатора увеличивается, потому что с большими временными интервалами обучающая и тестовая выборки более похожи, этого не происходит с меньшими временными интервалами.Однако для тестирования SNN найти более длинный временной интервал во всей тестовой выборке труднее, и поэтому он ведет себя лучше с меньшими временными интервалами, равными 2 мс. Стоит отметить, что, используя временной интервал 2 мс, мы достигаем 100% точности SNN как для обучения SBS, так и для OP. Однако, чтобы быть более правильным, эти результаты соответствуют ошибке обучения, потому что обучающие срезы были частью всей выборки тестового набора. Чтобы получить более правильную точность распознавания, к этому набору данных был применен метод перекрестной проверки с исключением по одному (LOOCV) с получением точности распознавания, показанной на рисунке 8A.Точность распознавания достигает максимума, когда отображаются 50–60% событий выборок. И для среза, и для среза 2 и 5 мс лучшая точность распознавания составляет 98,47 для 60% событий. Этот эксперимент также был проведен с базой данных 40 образцов Fast-Poker-DVS с целью сравнения их с результатами, полученными в Orchard et al. (2015b) и Lagorce et al. (2016). Орчард и др. (2015b) и Lagorce et al. (2016) получили 97,5 и 100% успеха признания соответственно. В этой работе для 40 карт, применяя метод LOOCV и используя срезы 2 мс, точность классификации достигает 100% при представлении 50–80% входных событий, как показано на рисунке 8B.

Рисунок 8. Точность классификации SNN с использованием (A) метода LOOCV по 131 выборке данных Fast-Poker-DVS и (B) метода LOOCV по 40 выборкам данных Fast-Poker-DVS задавать.

3,6. SNN Тонкая настройка

SNN, показанный на рисунке 4, был обучен с учетом распределения Пуассона для входных стимулов и первоначально был представлен в O’Connor et al. (2013) с результатом 95,2% в области фрейма и 94 балла.09% с программным симулятором SNN. С тех пор этот SNN был успешно реализован на различных платформах (Neil, Liu, 2014; Stromatias et al., 2015a, b), с самым высоким показателем 95%, о котором сообщают Stromatias et al. (2015a). Здесь мы удалили выходной слой и обучили новый классификатор, воспользовавшись извлечением признаков, выполненным на двух предыдущих слоях. Таблица 4 суммирует результаты. Новый классификатор на основе кадров достигает 97,24%, а точность SNN увеличена с 95,26 до 97,25%.Разница между классификатором на основе кадров и SNN составляет порядка 0,01%.

Таблица 4. Резюме тонкой настройки уже обученного SNN.

3,7. Сводка результатов и сравнение с соответствующими работами

Таблица 3 и Рисунок 7 суммируют результаты этой работы для всех наборов данных. Более конкретно, на рисунке 7A показано, как точность классификации SNN повышается в зависимости от процента входных событий. Это, по-видимому, согласуется со всеми наборами данных, как искусственно созданными (кодирование с задержкой и Пуассоном), так и с датчика DVS, и согласуется с ранее опубликованными исследованиями (Neil and Liu, 2014; Diehl et al., 2015; Stromatias et al., 2015b). При наборе данных Fast-Poker-DVS наблюдается снижение производительности в последних 20% входных событий из-за деформации символа карты при его исчезновении. На рис. 7В представлена ​​зависимость точности классификации от абсолютного числа входных событий в логарифмической шкале для различных наборов данных. Эта информация полезна, потому что в нейроморфных системах общее потребление энергии зависит от общего количества событий, которые будут обрабатываться (Stromatias et al., 2013; Merolla et al., 2014; Neil and Liu, 2014), и это может повлиять на решение, какой набор данных использовать, на основе ограничений энергии и задержки. На рисунке 9 представлена ​​задержка в сети для каждого набора данных. Мы определяем задержку в сети как время, прошедшее от первого всплеска ввода до первого всплеска вывода.

Рисунок 9. Среднее и стандартное отклонение задержки классификации SNN для каждого набора данных.

Таблица 5 представляет сравнение текущей работы с результатами в литературе по набору данных MNIST и SNN.Текущие современные результаты получены из пикового CNN с 7 уровнями и максимального объединения, достигающего 99,44%, и из 4-х уровневой пиковой сети FC с показателем 98,64% (Diehl et al., 2015) . Оба подхода обучались в автономном режиме с использованием кадров и обратного распространения, а затем отображали параметры сети в SNN. Однако, несмотря на то, что этот подход очень хорошо работает с цепочками выбросов Пуассона или прямым использованием пикселей, производительность значительно падает с реальными данными DVS. Кроме того, прямое сравнение нечестно, потому что в центре внимания этой статьи была разработка классификатора, который работает как с синтетическими данными, так и с данными DVS, а не для обучения полной нейронной сети с несколькими уровнями.

Таблица 5. Сравнение точности классификации (CA) SNN на наборе данных MNIST.

В таблице 6 собраны литературные результаты с использованием набора данных N-MNIST и SNN. Наилучшая заявленная точность классификации составляет 98,66% при использовании трехуровневой сети FC (Lee et al., 2016). Используя CNN, эта работа сообщает о лучшей точности классификации 97,77% до сих пор. Опять же, в этой статье основное внимание уделяется не точности классификации, не делается оптимизация для повышения производительности, а для обеспечения действительного метода обучения классификатора SNN с незначительной Потери классификатора по сравнению с точностью классификации на основе кадра.

Таблица 6. Сравнение точности классификации (CA) SNN на наборе данных N-MNIST.

Наконец, таблица 7 показывает литературные результаты для набора данных Fast-poker-dvs с 40 картами. В этой работе мы демонстрируем, что 100% точность классификации достигается с использованием метода LOOCV.

Таблица 7. Сравнение точности классификации (CA) SNN на наборе данных 40 карт Fast-Poker-DVS.

4. Обсуждение

В этой статье мы представили новый метод обучения классификатора и преобразования его в SNN.Одним из основных преимуществ предлагаемой техники является то, что она может работать как с синтетически сгенерированными данными, которые часто использовались в предыдущих исследованиях (Masquelier and Thorpe, 2007; O’Connor et al., 2013; Neftci et al., 2014; Diehl and Cook, 2015; Diehl et al., 2015; Kheradpisheh et al., 2016), а также с реальными данными DVS от нейроморфного датчика зрения (Lichtsteiner et al., 2008; Posch et al., 2011; Serrano- Готарредона и Линарес-Барранко, 2013). В недавних работах сообщалось об очень хороших результатах при использовании синтетически сгенерированных событий, однако эта производительность не сохраняется при переключении на данные DVS, поскольку наблюдается большое падение точности классификации.

Здесь мы использовали один сверточный слой с таким же количеством карт признаков и теми же 18 ядрами, кодируемыми вручную по принципу Габора, чтобы доказать, что наша методология работает как с синтетическими данными, так и с данными DVS. Мы не пытались оптимизировать ядра для каждого набора данных, поскольку это выходило бы за рамки данной работы, только размеры карт функций изменялись в соответствии с размером каждого набора данных. Важность результатов состоит в том, чтобы показать небольшую разницу между результатом точности классификатора на основе кадра и результатами точности классификатора SNN.Мы также рассмотрели случаи, когда активируется утечка в нейронах, поскольку это больше подходит для реальных приложений.

Мы показали, что для синтетических данных потеря точности классификации составляет 0,03% по сравнению с классификатором на основе кадров, в то время как для набора данных N-MNIST более высокие потери между классификатором на основе кадров и SNN находятся в порядка 0,68%. По N-MNIST SNN набрал 97,77%, что на момент написания является наивысшим показателем для сверточного SNN с использованием исходных данных N-MNIST.Мы также протестировали классификатор с набором данных Fast-Poker-DVS, 40 картами, и получили 100% точности, разделив набор данных на обучающий и тестовый наборы. Кроме того, мы расширили этот набор данных на немного больший набор данных, 131 карту, что показывает точность классификации 98,47%.

Кроме того, мы представили сравнение между различными кодировками и наборами данных с точки зрения задержки классификации и общего количества событий. Это сравнение важно, потому что для нейроморфных платформ потребление энергии зависит от обрабатываемых событий (Stromatias et al., 2013; Merolla et al., 2014), и в зависимости от приложения одна кодировка может быть предпочтительнее другой. Например, мобильные и роботизированные платформы, которые имеют ограниченные энергоресурсы и требуют быстрых ответов, могут выиграть от использования кодирования с преобразованием интенсивности в задержку, поскольку оно обеспечивает наименьшую сетевую активность и задержку вывода по сравнению со всеми наборами данных, представленными в этой работе.

Предложенная методика также использовалась для точной настройки уже обученного SNN. Мы показали, что с помощью функций, изученных неконтролируемым образом, с использованием алгоритма CD (O’Connor et al., 2013) и только переобучив классификатор, точность классификации повысилась на 2%. Этот результат предполагает, что наш классификатор может использоваться в случаях, когда признаки извлекаются неконтролируемым образом, либо на основе биологически правдоподобных правил пластичности, таких как STDP (Bichler et al., 2012; Roclin et al., 2013; Diehl and Cook, 2015; Kheradpisheh et al., 2016) или реализации CD на основе событий (Neftci et al., 2014, 2016).

Авторские взносы

ES и MS разработали идею предложенного классификатора.ES разработал и провел эксперименты с синтетическими данными и проанализировал результаты. MS спроектировал, провел эксперименты с наборами данных DVS и проанализировал результаты. ES, MS и BL написали статью. BL написал код симулятора MegaSim, а ES предоставил новые коды и слои Python для систематических прогонов повторяющихся симуляций и анализа данных. BL внесла свой вклад в концепцию и дизайн экспериментов, анализ данных и презентацию работы. TS предоставила улучшенный датчик DVS, с помощью которого были сделаны самые последние записи.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Эта работа была частично поддержана грантами ЕС h3020 644096 «ECOMODE» и 687299 «NEURAM3», грантом передового технологического института Samsung NPP, испанскими грантами Министерства экономики и конкуренции TEC2012-37868-C04-01 (BIOSENSE ) и TEC2015-63884-C2-1-P (COGNET) (при поддержке Европейского фонда регионального развития), а также за счет андалузского гранта TIC-6091 (NANONEURO).

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/article/10.3389/fnins.2017.00350/full#supplementary-material

Включен дополнительный материал, показывающий псевдокоды моделей нейронов, используемых в алгоритмах.

Сноски

Список литературы

Анантанараянан, Р., Эссер, С. К., Саймон, Х. Д. и Модха, Д. С. (2009). «Кот вышел из мешка: моделирование коры с 10 ⁹ нейронами, 10 ¹³ синапсами», в Proceedings of the Conference on High Performance Computing Networking, Storage and Analysis (New York, NY), 1– 12.DOI: 10.1145 / 1654059.1654124

CrossRef Полный текст | Google Scholar

Артур Дж., Меролла П., Акопян Ф., Альварес Р., Кэссиди А., Чандра С. и др. (2012). «Строительный блок программируемого нейроморфного субстрата: цифровое нейросинаптическое ядро», в Neural Networks (IJCNN), The International Joint Conference on (Brisbane, QLD), 1–8. DOI: 10.1109 / IJCNN.2012.6252637

CrossRef Полный текст | Google Scholar

Бихлер О., Кверлиоз Д., Торп, С. Дж., Бургуан, Ж.-П., и Гамрат, К. (2012). Извлечение коррелированных во времени признаков из датчиков динамического зрения с пластичностью, зависящей от времени всплеска. Neural Netw. 32, 339–348. DOI: 10.1016 / j.neunet.2012.02.022

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ботту, Л. (2010). Крупномасштабное машинное обучение со стохастическим градиентным спуском . Гейдельберг: Physica-Verlag. DOI: 10.1007 / 978-3-7908-2604-3_16

CrossRef Полный текст | Google Scholar

Камунас-Меса, Л., Акоста-Хименес, А., Замаррено-Рамос, К., Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2011). Чип процессора свертки 32 x 32 пикселя для адресных датчиков видения событий с задержкой события 155 нс и пропускной способностью 20 мегапикселей в секунду. IEEE Trans. Circ. Syst. Я Регул. Статьи 58, 777–790. DOI: 10.1109 / TCSI.2010.2078851

CrossRef Полный текст | Google Scholar

Камуньяс-Меса, Л., Перес-Карраско, Дж., Замарреньо-Рамос, К., Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2010).«О масштабируемом оборудовании convnet для систем обработки зрительных сенсоров, подобных кортексе», в Circuits and Systems (ISCAS), Proceedings of 2010 IEEE International Symposium on (Paris), 249–252. DOI: 10.1109 / ISCAS.2010.5537918

CrossRef Полный текст

Камунас-Меса, Л., Замаррено-Рамос, К., Линарес-Барранко, А., Акоста-Хименес, А. Дж., Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2012). Управляемый событиями модуль многоядерного процессора свертки для датчиков технического зрения, управляемых событиями. IEEE J. Solid-State Circ. 47, 504–517. DOI: 10.1109 / JSSC.2011.2167409

CrossRef Полный текст | Google Scholar

Коэн, Г. К., Орчард, Г., Ленг, С.-Х., Тэпсон, Дж., Беносман, Р. Б., и ван Шайк, А. (2016). Скимминг-цифры: нейроморфная классификация изображений с кодировкой спайков. Фронт. Neurosci. 10: 184. DOI: 10.3389 / fnins.2016.00184

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Диль П. У., Нил Д., Бинас Дж., Кук, М., Лю, С.С., и Пфайффер, М. (2015). «Быстрая классификация и высокая точность пиков глубоких сетей за счет балансировки веса и порога», в Международная объединенная конференция по нейронным сетям 2015 г. (IJCNN) (Килларни), 1–8.

Google Scholar

Элиасмит К., Стюарт Т. К., Чу X., Беколай Т., ДеВольф Т., Танг Ю. и др. (2012). Масштабная модель функционирующего мозга. Наука 338, 1202–1205. DOI: 10.1126 / science.1225266

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Эссер, С.К., Аппусвами Р., Меролла П. А., Артур Дж. В. и Модха Д. С. (2015). «Обратное распространение для энергоэффективных нейроморфных вычислений», в Труды 28-й Международной конференции по системам обработки нейронной информации, NIPS’15 (Кембридж, Массачусетс: MIT Press), 1117–1125.

PubMed Аннотация | Google Scholar

Фурбер, С. Б., Галлуппи, Ф., Темпл, С., и Плана, Л. А. (2014). Проект спинакера. Proc. IEEE 102, 652–665. DOI: 10.1109 / JPROC.2014.2304638

CrossRef Полный текст | Google Scholar

Герстнер В. и Кистлер В. (2002). Пиковые модели нейронов: введение . Нью-Йорк, Нью-Йорк: Издательство Кембриджского университета.

Хе К., Чжан Х., Рен С. и Сунь Дж. (2015). «Углубляясь в выпрямители: превосходя человеческий уровень производительности по классификации изображений», в Международная конференция IEEE по компьютерному зрению (ICCV), 2015 г., (Сантьяго), 1026–1034.

Google Scholar

Хунсбергер, Э., и Элиасмит, К. (2015). Добавление в глубокие сети нейронов LIF. CoRR абс / 1510.08829.

Google Scholar

Исакссон А., Валлман М., Йоранссон Х. и Густафссон М. Г. (2008). Перекрестная проверка и самонастройка ненадежны при классификации малых выборок. Patt. Узнай. Lett. 29, 1960–1965. DOI: 10.1016 / j.patrec.2008.06.018

CrossRef Полный текст | Google Scholar

Херадпишех, С. Р., Ганджтабеш, М., Торп, С. Дж., и Masquelier, T. (2016). Расширение глубоких нейронных сетей на основе stdp для распознавания объектов. CoRR абс / 1611.01421.

Google Scholar

Лагорс, X., Орчард, Г., Галлупи, Ф., Ши, Б. Э., и Беносман, Р. (2016). HOTS: иерархия временных поверхностей на основе событий для распознавания образов. IEEE Trans. Патт. Анальный. Мах. Intell. 8828: 1. DOI: 10.1109 / TPAMI.2016.2574707

CrossRef Полный текст | Google Scholar

ЛеКун Ю., Боттоу Л., Bengio, Y., и Haffner, P. (1998). Применение градиентного обучения для распознавания документов. Proc. IEEE 86, 2278–2324. DOI: 10.1109 / 5.726791

CrossRef Полный текст | Google Scholar

Ленеро-Бардалло, Дж. А., Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2011). Асинхронный датчик динамического зрения, управляемый событиями, с задержкой 3,6 мкс без кадров. IEEE J. Твердотельные схемы 46, 1443–1455. DOI: 10.1109 / JSSC.2011.2118490

CrossRef Полный текст | Google Scholar

Lichtsteiner, P., Пош, К., и Дельбрюк, Т. (2008). 128 раз; 128 120 дБ Асинхронный датчик временного контраста с задержкой 15 мкс. IEEE J. Твердотельные схемы 43, 566–576. DOI: 10.1109 / JSSC.2007.

CrossRef Полный текст | Google Scholar

Лю, К., Пинеда-Гарсия, Г., Строматиас, Э., Серрано-Готарредона, Т., и Фурбер, С. Б. (2016). Тестирование визуального распознавания на основе пиков: набор данных и оценка. Фронт. Neurosci. 10: 496. DOI: 10.3389 / fnins.2016.00496

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лю С. К., ван Шайк А., Минкти Б. А. и Дельбрук Т. (2010). «64-канальная бинауральная кремниевая улитка, основанная на событиях, с q механизмами улучшения», в материалах Proceedings of 2010 IEEE International Symposium on Circuits and Systems (Paris), 2027–2030. DOI: 10.1109 / ISCAS.2010.5537164

CrossRef Полный текст | Google Scholar

Маасс, В., и Маркрам, Х. (2004). О вычислительной мощности цепей импульсных нейронов. J. Comput. Syst. Sci. 69, 593–616. DOI: 10.1016 / j.jcss.2004.04.001

CrossRef Полный текст | Google Scholar

Маховальд, М. (1994). Аналоговая система СБИС для стереоскопического зрения . Норвелл, Массачусетс: Kluwer Academic Publishers.

Google Scholar

Маскелье, Т., и Торп, С. Дж. (2007). Неконтролируемое обучение визуальным особенностям с помощью пластичности, зависящей от времени спайков. PLoS Comput. Биол. 3: e31. DOI: 10,1371 / журнал.pcbi.0030031

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Меролла П., Урселл Т. и Артур Дж. В. (2010). Термодинамическая температура сети ритмических пиков. CoRR абс. / 1009.5473.

Google Scholar

Меролла П. А., Артур Дж. В., Альварес-Иказа Р., Кэссиди А. С., Савада Дж., Акопян Ф. и др. (2014). Интегральная схема с миллионными импульсными нейронами с масштабируемой коммуникационной сетью и интерфейсом. Наука 345, 668–673.DOI: 10.1126 / science.1254642

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Neftci, E., Augustine, C., Paul, S., and Detorakis, G. (2017). Нейроморфные машины глубокого обучения. CoRR абс / 1612.05596.

Google Scholar

Нефтчи, Э., Дас, С., Педрони, Б., Крейц-Дельгадо, К., и Каувенберг, Г. (2014). Контрастная дивергенция, управляемая событиями, для пиков нейроморфных систем. Фронт. Neurosci. 7: 272. doi: 10.3389 / fnins.2013.00272

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Нефтчи, Э., Дас, С., Педрони, Б., Крейц-Дельгадо, К., и Каувенберг, Г. (2015). Контрастная дивергенция, управляемая событиями: основы нейронной выборки. Фронт. Neurosci. 9: 104. DOI: 10.3389 / fnins.2015.00104

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Нефтчи, Э. О., Педрони, Б. У., Джоши, С., Аль-Шедиват, М., и Каувенберг, Г. (2016). Стохастические синапсы позволяют создавать эффективные обучающие машины, вдохновляемые мозгом. Фронт. Neurosci. 10: 241. DOI: 10.3389 / fnins.2016.00241

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Neil, D., and Liu, S.-C. (2014). Minitaur, событийно-управляемый сетевой ускоритель на основе ПЛИС. IEEE Trans. Система очень крупномасштабной интеграции (СБИС). 22, 2621–2628. DOI: 10.1109 / TVLSI.2013.2294916

CrossRef Полный текст | Google Scholar

Новотны, Т. (2014). Две проблемы правильной проверки при распознавании образов. Фронт. Робот. AI 1: 5. DOI: 10.3389 / frobt.2014.00005

CrossRef Полный текст | Google Scholar

О’Коннор, П., Нил, Д., Лю, С.-К., Дельбрук, Т., и Пфайффер, М. (2013). Классификация в реальном времени и объединение датчиков с разветвленной сетью глубоких убеждений. Фронт. Neurosci. 7: 178. DOI: 10.3389 / fnins.2013.00178

PubMed Аннотация | CrossRef Полный текст | Google Scholar

О’Коннор, П., и Веллинг, М. (2016). Сети с глубокими всплесками. CoRR абс / 1602.08323.

Орчард, Г., Джаявант, А., Коэн, Г. К., и Такор, Н. (2015a). Преобразование наборов данных статических изображений в наборы нейроморфных данных с использованием саккад. Фронт. Neurosci. 9: 437. DOI: 10.3389 / fnins.2015.00437

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Орчард, Г., Мейер, К., Этьен-Каммингс, Р., Пош, К., Такор, Н., и Беносман, Р. (2015b). Hfirst: временной подход к распознаванию объектов. IEEE Trans. Патт. Анальный. Мах.Intell. 37, 2028–2040. DOI: 10.1109 / TPAMI.2015.2392947

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пош К., Матолин Д. и Вольгенант Р. (2011). ШИМ-датчик изображения QVGA с динамическим диапазоном 143 дБ, без кадров, со сжатием видео на уровне пикселей без потерь и CDS во временной области. IEEE J. Твердотельные схемы 46, 259–275. DOI: 10.1109 / JSSC.2010.2085952

CrossRef Полный текст | Google Scholar

Posch, C., Serrano-Gotarredona, T., Линарес-Барранко, Б., Дельбрук, Т. (2014). Ретиноморфные датчики зрения, основанные на событиях: камеры с биоинспирированием с пиковым выходным сигналом. Proc. IEEE 102, 1470–1484. DOI: 10.1109 / JPROC.2014.2346153

CrossRef Полный текст | Google Scholar

Перес-Карраско, Дж. А., Чжао, Б., Серрано, К., Ача, Б., Серрано-Готарредона, Т., Чен, С. и др. (2013). Преобразование от систем видеонаблюдения, управляемых кадрами, к системам видения, управляемым событиями без кадров, с помощью низкоскоростного кодирования и обработки совпадений — приложение к конвенциям с прямой связью. IEEE Trans. Патт. Анальный. Мах. Intell. 35, 2706–2719. DOI: 10.1109 / TPAMI.2013.71

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кверлиоз, Д., Бихлер, О., Дольфус, П., и Гамрат, К. (2013). Невосприимчивость к вариациям устройств в нейронной сети с мемристическими наноустройствами. IEEE Trans. Nanotechnol. 12, 288–295. DOI: 10.1109 / TNANO.2013.2250995

CrossRef Полный текст | Google Scholar

Роклин Д., Бихлер О., Гамрат, К., Торп, С. Дж., И Кляйн, Дж. О. (2013). «Проектирование эффективных реализаций нейронов STDP на основе цифрового порядка для извлечения временных характеристик», в Neural Networks (IJCNN), The International Joint Conference on (Dallas, TX), 2013, 1–7.

Google Scholar

Рюкауэр Б., Лунгу И.-А., Ху Ю. и Пфайффер М. (2016). Теория и инструменты для преобразования аналоговых сверточных нейронных сетей в пиковую. CoRR arXiv: 1612.04052.

Google Scholar

Шмидхубер, Дж.(2012). «Многоколоночные глубокие нейронные сети для классификации изображений» в Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), CVPR ’12 (Washington, DC: IEEE Computer Society), 3642–3649.

Google Scholar

Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2013). Асинхронный бескадровый датчик динамического зрения мощностью 4 МВт с задержкой 128 × 128 и 1,5 с использованием трансимпедансных предусилителей. IEEE J. Твердотельные схемы 48, 827–838.DOI: 10.1109 / JSSC.2012.2230553

CrossRef Полный текст | Google Scholar

Серрано-Готарредона, Т., и Линарес-Барранко, Б. (2015). Покер-ДВС и МНИСТ-ДВС. их история, как они были сделаны и другие подробности. Фронт. Neurosci. 9: 481. DOI: 10.3389 / fnins.2015.00481

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Серрано-Готарредона, Т., Линарес-Барранко, Б., Галлуппи, Ф., Плана, Л., и Фурбер, С. (2015). «Эксперименты ConvNets на SpiNNaker», в Международный симпозиум IEEE 2015 по схемам и системам (ISCAS) (Лиссабон: IEEE), 2405–2408.DOI: 10.1109 / ISCAS.2015.7169169

CrossRef Полный текст | Google Scholar

Строматиас, Э., Галлуппи, Ф., Паттерсон, К., и Фербер, С. (2013). «Анализ мощности крупномасштабных нейронных сетей в реальном времени на спинакере», в The International Joint Conference on Neural Networks (IJCNN) 2013 г. (Даллас, Техас), 1–8. DOI: 10.1109 / IJCNN.2013.6706927

CrossRef Полный текст | Google Scholar

Строматиас, Э., Нил, Д., Галлуппи, Ф., Пфайффер, М., Лю, С.К., и Фурбер, С. (2015a). «Масштабируемые энергоэффективные реализации с малой задержкой для обученных пиковых сетей Deep Belief на SpiNNaker», в Международная объединенная конференция по нейронным сетям 2015 г. (IJCNN) (Килларни), 1–8. DOI: 10.1109 / IJCNN.2015.7280625

CrossRef Полный текст | Google Scholar

Stromatias, E., Neil, D., Pfeiffer, M., Galluppi, F., Furber, S.B., and Liu, S.-C. (2015b). Устойчивость к повышению уровня шума в сетях с глубокими убеждениями и снижение битовой точности аппаратных платформ, основанных на нейронах. Фронт. Neurosci. 9: 222. DOI: 10.3389 / fnins.2015.00222

PubMed Аннотация | CrossRef Полный текст | Google Scholar

ван Шайк, А., Тэпсон, Дж. (2015). Онлайн и адаптивные псевдообратные решения для весов ELM. Нейровычисления 149, 233–238. DOI: 10.1016 / j.neucom.2014.01.071

CrossRef Полный текст | Google Scholar

Почему кормление «по сигналу» приносит пользу младенцам

© 2017-2021 Гвен Дьюар, доктор философии, все права защищены

График вскармливания пересмотрен

В прошлом западные «эксперты по младенцам» часто инструктировали родителей кормить своих младенцев с регулярными интервалами в 3 или 4 часа.Сегодня официальные медицинские рекомендации сместились в пользу принятия решения младенцами.

Почему изменение?

Существует ряд причин, но простой ответ таков: когда мы позволяем младенцам определять время и продолжительность своего кормления, они с большей вероятностью получат то, что им нужно: не слишком мало и не слишком много.

Начинается в период новорожденности. Если новорожденных не кормят достаточно часто, они подвергаются более высокому риску обезвоживания и недостаточного кормления.Так, Американская академия педиатрии (AAP) советует родителям кормить младенцев не реже одного раза в 2-3 часа — всякий раз, когда у младенцев появляются признаки голода (AAP 2015).

В последующие месяцы у младенцев может быть больше времени между приемами пищи. Но отзывчивое кормление — по команде — остается идеальным подходом.

• Он может помочь детям, находящимся на грудном вскармливании, приспособиться к естественным колебаниям качества молока (Институт медицины Национальной академии наук, 1991).
• Может помочь детям, находящимся в бутылке, избежать кормления вместо .
• И это может помочь любому младенцу справиться с проблемой получения достаточного количества пищи во время скачка роста.

У всех младенцев колебания потребности в энергии. Кормление по сигналу помогает младенцам увеличивать или уменьшать потребление по мере необходимости (Tylka et al 2015).

Вероятно, поэтому ответное кормление связано с более здоровыми траекториями роста младенцев (Chen et al 2020; Fuglestad et al 2017).

И это еще не все.Исследования показывают, что отзывчивое кормление приносит младенцам дополнительную пользу. Это может повлиять на эмоциональное состояние младенца. Это может способствовать лучшим когнитивным результатам.

Таким образом, кажется, что лучший график кормления младенцев — это тот, который дети разрабатывают для сами.

Но каковы доказательства? Давайте рассмотрим подробнее.

График вскармливания в эволюционной перспективе

Младенцы млекопитающих во всем мире начинают жизнь с молочной диеты.Но они не всегда одинаково рассчитывают время кормления. У некоторых видов матери «паркуют» или «кладут» своих детенышей в гнезда и оставляют их там.

Это стратегия, которая позволяет матери собирать пищу, не беспокоясь о младенце. Но это работает только в том случае, если есть способ уберечь детей от голода во время этих долгих разлук. Как они справляются?

Решение двоякое.

1. Матери производят молоко с высоким содержанием жира и высоким содержанием белка — то, что мы могли бы назвать супер-топливом.

2. Младенцы имеют способность сосать очень быстро и эффективно, когда они, наконец, начинают кормиться.

Вместе эти элементы позволяют младенцам «накормить» высококонцентрированной пищей, которой хватит на много часов.

Млекопитающие, которые следуют этой стратегии, называются «кормушками с промежутками», и их молоко действительно очень богатое.

Хорошим примером разнесенной кормушки является кролик, который дает молоко с 18,3% жира и 13,9% белка (Jenness 1974).

Напротив, другие млекопитающие держат своих детенышей с собой во время кормления. То, как они это делают, варьируется от вида к виду. Некоторые, как обезьяны, вынашивают своих детенышей. Другие, например коровы, заставляют своих младенцев следовать за ними пешком.

Но, тем не менее, младенцы остаются рядом, и наряду с близостью следует частое питание. Младенцы, как правило, начинают кормление и сосут грудь более неторопливо. Им не нужно заправляться супер-топливом, поэтому их матери не делают его.Молоко менее калорийно, более разбавленное.

Хорошим примером кормушки непрерывного действия является корова, которая производит молоко, которое обычно содержит 3,7% жира и 3,4% белка (Jenness 1974).

А как насчет людей?

В некоторых современных индустриальных обществах люди действуют как кормушки. Младенцев «припарковывают» в кроватках или люльках и кормят с интервалом в 3-4 часа.

Но были ли мы созданы для этой стратегии?

Есть ли в биологии грудного вскармливания человека признаки интервального кормления?

Ответ отрицательный, потому что

• грудное молоко имеет относительно низкое содержание жира (3.8%) и белка (1%), и
• человеческие младенцы сосут грудь в медленном темпе, типичном для непрерывного кормления.

Итак, наша основная физиология выдает нас. Мы не производим сверхтопливо, а нашим младенцам не хватает навыков кормления с интервалами для сверхбыстрого отжима молока. И это согласуется с поведением других членов нашего генеалогического древа. Постоянное кормление — это стратегия, которую выбирают все наши близкие родственники, включая бонобо, шимпанзе и горилл.

Это также стратегия, наблюдаемая среди людей, живущих в традиционных обществах.

В обществах охотников-собирателей младенцев выкармливают не просто по команде. Их также очень часто кормят грудью — примерно 2-4 раза в час (Konner 2006).

В других традиционных обществах родители не выдерживают этого экстремального темпа, но, тем не менее, кормление инициируется младенцами.

При обследовании непромышленных обществ (в которое входили кочевые скотоводы и оседлые земледельческие народы) антропологи обнаружили, что кормление «по требованию» было правилом.В каждом обществе, для которого была доступна информация о режиме кормления младенцев (25 из 25), люди кормили своих младенцев по команде (Severn Nelson et al 2000).

Это наша основная физиология и наше эволюционное наследие. Но какое это имеет значение? Можно ли над этим поработать?

Разве мы не сможем сделать младенцев одинаково счастливыми и здоровыми, используя строгий график кормления младенцев? Возможно, дело просто в настройке времени подачи лент.

Звучит просто, но есть камни преткновения.

Младенцы различаются по потребностям — от человека к человеку и от дня к дню

У разных младенцев разные потребности, и у одного и того же ребенка потребности в энергии со временем меняются.

Что делать, если у вашего ребенка есть желание быть более активным и ему нужно больше еды, чтобы подпитывать его деятельность?

Что делать, если вашему младенцу нужно больше жидкости, потому что ему жарко или он заболел вирусом?

Что делать, если ваш ребенок находится в процессе резкого роста?

Дело не только в том, что вам нужно составить график, который будет индивидуализирован в соответствии с текущими потребностями вашего ребенка.Вам также нужен график, который постоянно меняется в ответ на его или ее будущих потребностей.

Это довольно сложно сделать, если вы не уделяете внимание своему ребенку, не предлагаете ему еду, когда наблюдаете признаки голода. И если вы делаете это, вы не навязываете строго установленный график кормления грудных детей. По определению, вы питаетесь по сигналу.

Более того, потребность ребенка в пище и жидкости — это только одна сторона уравнения — потребность .Есть также сторона снабжения уравнения. Если ваш ребенок находится на молочной смеси, легко понять, что ему дают. Вы можете прочитать этикетку и знать, что ваш ребенок получает один и тот же состав от одного кормления к другому.

Но грудное молоко не работает. Человеческое грудное молоко примерно одинаково по составу от одной женщины к другой, но есть существенные различия. Не только грудное молоко у разных людей различается. Он также варьируется между образцами молока, произведенными одной и той же женщиной в разное время.

Грудное молоко разной калорийности

Когда Шелли Хестер и ее коллеги проанализировали 22 опубликованных исследования содержания метаболизируемой энергии в грудном молоке, исследователи смогли оценить количество калорий в одной порции: около 65 калорий на 100 миллилитров (мл) грудного молока.

Но подождите. Эта оценка составляет в среднем для молока, сцеженного между 2 и 6 неделями после родов (Hester et al 2012).

Молоко, произведенное ранее , существенно менее калорийно.Молозиво, молоко, вырабатываемое в течение первых нескольких дней, содержит всего около 53 калорий на 100 мл. Затем, примерно между 6 и 14 днями после родов, калорийность немного увеличивается, в среднем 58 калорий на 100 мл (Hester et al 2012).

А молоко, произведенное позже — через 6 недель после родов — со временем становится все более калорийным. Это потому, что жирность грудного молока имеет тенденцию к увеличению, чем дольше женщина продолжает кормить грудью.

Когда исследователи наблюдали за кормящими матерями с течением времени, они обнаружили, что содержание жира в молоке, произведенном в 6 месяцев, выше, чем в 3 месяца (Szabó et al 2010).

Это уже много вариантов, но мы коснулись только поверхности, потому что отдельных матерей существенно различаются по содержанию энергии в их молоке. Исследования показывают, что у отдельных женщин содержание жира в молоке может варьироваться в широких пределах — от 2 граммов на 100 мл до 5 граммов на мл (Институт медицины Национальной академии наук, 1991).

И другие исследования выявили некоторые из причин этого различия: диета, индекс массы тела, возраст матери, социально-экономический статус и даже курение связаны с различиями в количестве жира в грудном молоке (Daniel et al 2021; Innis 2014; Rocquelin et al 1998; Argov-Argaman et al 2017; Al-Tamer et al 2006; Agostoni et al 2003).

Поэтому нас не должно удивлять, если не существует «единого для всех» графика кормления, который одинаково хорошо подходил бы каждому ребенку. Младенцы различаются по своим потребностям, и разные дети, находящиеся на грудном вскармливании, могут получать очень разные типы грудного молока. Некоторые получают молоко богаче среднего. Другие получают более легкое молоко.

А поскольку младенцы могут пить столько, пока их желудок не наполнится, жирность молока существенно повлияет на количество калорий, получаемых ими во время каждого сеанса кормления. Некоторым младенцам потребуется более частое кормление, чем другим младенцам, просто потому, что их молоко содержит меньше калорий на порцию.

Не менее важно, что качество молока от одной матери может меняться день ото дня и даже от часа к часу (Khan et al 2013). Так что вполне возможно, что график кормления ребенка, который хорошо работает в один день, может оставить ребенка неудовлетворенным в другой.

Наконец, стоит отметить, что качество грудного молока меняется в процессе кормления.

В начале кормления, когда грудь кажется полной, выделяемое молоко является относительно разбавленным и с низким содержанием жира. Затем, по мере продолжения сеанса, грудь становится более мягкой и пустой, а молоко меняется.

Более раннее «переднее молоко» уступает место более концентрированному и жирному «заднему молоку» (Woolridge 1995), и вы можете увидеть разницу на этой фотографии.

Переднее молоко выглядит водянистым и голубоватым. Заднее молоко, вырабатываемое той же грудкой, но позже в сеансе, имеет цвет слоновой кости и толще.

Таким образом, если взрослый прерывает сеанс грудного вскармливания слишком рано или заставляет ребенка поменять грудь слишком рано, ребенок будет пропускать заднее молоко (Woolridge and Fisher 1988).

Младенцы в этой ситуации будут насытиться низкокалорийной едой и потребуют более частого кормления, чтобы получить необходимую им энергию.

Кроме того, они могут подвергаться более высокому риску развития симптомов, связанных с потреблением молока низкого качества. Как отметил эксперт по грудному вскармливанию Майкл Вулридж (доктор медицинских наук), обезжиренное молоко может способствовать коликам, рвоте, диарее и метеоризму у младенцев (Woolridge 1995).

А как насчет детей, находящихся на искусственном вскармливании? Разве им не нужно вводить ограничения — чтобы не перекармливали?

Возможно, вы слышали об исследованиях, связывающих искусственное вскармливание с быстрым ростом ребенка и повышенным риском детского ожирения. Ссылки были воспроизведены во многих исследованиях, что вызывало беспокойство. Почему дети, находящиеся на искусственном вскармливании, чаще набирают лишний вес?

Один из ответов заключается в том, что смесь может быть слишком энергоемкой для некоторых младенцев (Hester et al 2012). Но также оказывается, что способ доставки — питье из бутылки — способствует этому.

Например, в одном исследовании 1250 американских младенцев исследователи обнаружили, что кормление из бутылочки в раннем младенчестве связано со склонностью есть все, что предлагается, независимо от того, употребляли ли дети смесь или грудное молоко.

Чем чаще младенцы пили из бутылочек в течение первых 6 месяцев, тем с большей вероятностью позже они стали заядлыми едками. В раннем возрасте они с большей вероятностью полностью осушили любую предоставленную им бутылку или чашку (Li et al 2010).

Небольшое исследование, проведенное в Соединенном Королевстве, дает аналогичные результаты (Brown and Lee 2012).

Неясно, что это означает, но мы знаем, что младенцы могут извлекать молоко из бутылочки быстрее, чем из груди.

Возможно, быстрый темп приводит к увеличению количества потребляемой пищи во время кормления, поэтому младенцы привыкают есть больше еды.

Какой бы ни была основная причина, возникает очевидный вопрос: разве это не веская причина для введения графика кормления грудных детей? Разве детям на искусственном вскармливании не будет лучше, если мы ограничим время их приема пищи?

Факты говорят об обратном.

Например, экспериментальные исследования показывают, что младенцы чувствительны к внутренним сигналам голода и сытости. Когда им разрешают кормить по требованию, как на грудном вскармливании (Woolridge and Baum, 1992), так и на искусственном вскармливании (Fomon et al 1975) дети корректируют свое потребление в зависимости от калорийности их молока или смеси.

И когда исследователи проследили развитие младенца с течением времени, они не обнаружили, что ограничения на кормление, в том числе график кормления по времени, снижают риск того, что ребенок наберет лишний вес.Напротив.

В одном исследовании исследователи обнаружили, что кормлений по расписанию было фактором риска быстрого набора веса (Mihrshahi et al, 2011). И — в целом — исследования показывают, что ограничительное кормление с большей вероятностью, чем ответное кормление, приведет к значительному увеличению веса (Gubbels et al, 2011; DiSantis et al, 2011b; Dinkevich et al, 2015; Gross et al, 2014; Spill et al, 2019).

Удивительно? Возможно, этого не должно быть. Эти наблюдения согласуются с исследованиями детей старшего возраста.

Похоже, что навязчивые ограничительные правила в отношении еды могут помешать развитию саморегуляции. На самом деле они могут усилить склонность ребенка к эмоциональному перееданию (Jani et al, 2015; Rodgers et al, 2013) и привести к чрезмерному увеличению веса (Tylka et al 2015).

Итак, исследователи подозревают, что введение ограничений — например, строгий график кормления младенцев — контрпродуктивно для предотвращения ожирения.

Дети могут научиться игнорировать собственные сигналы голода и есть в ответ на социальные сигналы («пора!») Или эмоции («Мне отказали — теперь пора восполнить это»).Позволяя младенцам начинать кормление, мы можем помочь им развить более здоровые отношения с едой.

Другие соображения: Распространяются ли эффекты расписания младенцев за пределы вопросов питания и регулирования энергии?

Это интересный вопрос.

С самого рождения младенцы огорчаются, когда их сигналы кормить грудью игнорируются. Исследования показывают, что кратковременные, условные акты кормления могут помочь новорожденным оправиться от стресса.

Новорожденные меньше плачут и демонстрируют признаки уменьшения боли, когда они получают небольшое количество молока, смеси или сахарозы (см. Обзор Shaw et al 2007; также Blass 1997a; Blass 1997b; Blass and Watt 1999; Barr et al 1999).Сосание грудью само по себе является обезболивающим (Blass and Watt, 1999). А грудное вскармливание может быть обезболивающим и снимать стресс.

В одном исследовании новорожденные, подвергшиеся болезненной процедуре сбора крови, плакали намного на меньше , если им разрешали кормить грудью (Gray et al 2002). Они плакали всего 4% от общего времени процедуры по сравнению с 43% у младенцев в контрольной группе.

Младенцы, которые кормили во время процедуры, также демонстрировали заметно меньшее количество гримас (8% против 50%), и их частота сердечных сокращений увеличивалась меньше (6 ударов в минуту против.29 ударов в минуту).

Некоторые из этих различий могут быть связаны с дополнительным контактом кожа-к-коже у детей, находящихся на грудном вскармливании. Но в последующем исследовании исследователи подтвердили, что грудное вскармливание было более успокаивающим, чем только контакт кожа к коже (Gray et al, 2000; Gray et al, 2002). Авторы отметили, что младенцы, которых держали без кормления, обычно расстраивались, и им требовалось гораздо больше времени, чтобы успокоиться (Gray et al 2002).

Итак, что может случиться с младенцем, который обнаружит, что ее сигналы о быстром утешении обычно игнорируются?

Хотя я не нашел исследований, которые прямо касались бы этого вопроса, отзывчивый уход был связан с развитием навыков лучшей регуляции стресса — даже у очень раздражительных детей из группы риска.

Более того, различные исследования показывают, что чуткое и отзывчивое воспитание способствует надежным отношениям привязанности и лучшим результатам у детей.

Есть любопытное исследование, касающееся когнитивного развития.

В рамках, пожалуй, самого крупного исследования, посвященного изучению влияния режима кормления младенцев, Мария Якову и Альмудена Севилья (2013) проследили развитие более 10 000 британских детей — как на грудном вскармливании, так и на искусственном вскармливании — от рождения до 14 лет.

Никаких экспериментальных манипуляций не было. Исследователи просто отметили, кормят ли младенцев по расписанию или «по требованию», а затем следили за их когнитивными и академическими успехами. А результаты? Они предпочитали кормление «по требованию».

В любом возрасте дети, которых кормили по расписанию, хуже справлялись со стандартными тестами. Более того, их IQ был в среднем на 4,5 балла ниже.

Корреляция, конечно, не доказывает причинно-следственную связь, и это всего лишь одно исследование.Это нужно тиражировать.

Но интересно отметить, что результаты исследования остались почти такими же, даже после того, как исследователи учли множество потенциальных факторов, таких как уровень образования родителей, экономические факторы, здоровье, грудное вскармливание, курение матери и подверженность детей тактике негативного дисциплинарного воздействия.

Не было очевидной причины различия между группами. Просто разница между кормлением по сигналу и соблюдением графика кормления младенца.

Подведение итогов: что мы на самом деле знаем?

Как и в большинстве случаев науки, нам еще предстоит многому научиться.

Мы еще не понимаем всех факторов, определяющих качество грудного молока, или почему состав грудного молока со временем меняется.

Мы еще не понимаем всех причин повышенного риска ожирения у детей, находящихся на искусственном вскармливании и из бутылочки.

И пока не ясно, какое влияние может оказать график кормления грудных детей в долгосрочной перспективе.В частности, нам необходимо больше исследований возможного влияния режима кормления грудных детей на регуляцию стресса и когнитивное развитие.

Между тем, что мы действительно знаем, так это то, что люди обладают характеристиками постоянных кормушек, и можно с уверенностью сказать, что относительно частые кормления «по требованию» были исторической и эволюционной нормой для нашего вида.

Также очевидно, что грудное молоко может существенно различаться по жировому составу и калорийности, поэтому младенцы выиграют от возможности планировать время своего кормления.

И все младенцы — независимо от того, потребляют ли они грудное молоко или смесь — испытывают колебания в своих потребностях в жидкости и энергии. Когда мы реагируем на их сигналы голода и жажды, у нас больше шансов удовлетворить эти потребности.

Больше чтения

Как узнать, голоден ли новорожденный? Найдите ответы на этот и другие вопросы в моей статье «График кормления новорожденного: обзор доказательств против кормления по графику».

Кроме того, вы можете больше узнать об этой теме в разделе «Грудное вскармливание по требованию: межкультурная перспектива».»А для получения дополнительной информации о составе грудного молока прочтите эту статью« Parenting Science ».

Хотите знать, можете ли вы рассчитать время приема пищи для вашего ребенка, чтобы он лучше спал ночью? Ознакомьтесь с моей статьей «Кормление во сне: доказательное руководство, помогающее младенцам спать дольше».

А как насчет твердой пищи? Когда и как следует приучать ребенка к твердой пищи? Эта статья о воспитании детей проведет вас через процесс и ответит на интересные вопросы о поведении младенцев, добавлении специй в пищу и многом другом.

И еще несколько статей по науке о воспитании, которые могут вас заинтересовать:

Ссылки: Лучшее расписание кормления грудных детей

Agostoni C, Marangoni F, Grandi F, Lammardo AM, Giovannini M, Riva E, Galli C. 2003. Ранние курения связаны с более высокими липидами сыворотки и более низким содержанием молочного жира и полиненасыщенных жирных кислот в первые 6 месяцев лактации. Eur J Clin Nutr. 57 (11): 1466-72.

Аль-Тамер Ю.Ю. и Махмуд А.А., 2006. Влияние социально-экономического статуса иракских матерей на содержание липидов в молоке.Eur J Clin Nutr. 60 (12): 1400-5.

Американская академия педиатрии. 2015. Уход за младенцем и маленьким ребенком: от рождения до 5 лет. 7-е издание. Т. Альтманн (ред.). Петух.

Argov-Argaman N, Mandel D, Lubetzky R, Hausman Kedem M, Cohen BC, Berkovitz Z, Reifen R. 2017. На состав жирных кислот грудного молока влияет возраст матери. J Matern Fetal Neonatal Med 30 (1): 34-37.

Барр Р.Г., Пантел М.С., Янг С.Н., Райт Дж. Х., Хендрикс Л.А., Гравел Р. 1999. Реакция плачущих новорожденных на сахарозу: эффект «сладости»? Physiol.Поведение 66: 409-417.

Bergmeier HJ, Skouteris H, Haycraft E, Haines J, Hooley M. 2015. Зарегистрированные и наблюдаемые методы контроля кормления позволяют прогнозировать пищевое поведение ребенка через 12 месяцев. J Nutr. 145 (6): 1311-6.

Blass EM. 1997a Гипоанальгезия, вызванная молоком у новорожденных. Педиатрия 99: 825-829.

Blass EM. 1997b. Детское питание успокаивает плачущих новорожденных. Журнал разработчиков поведенческой педиатрии. 18: 162-165.

Браун А. и Ли М. 2012. Грудное вскармливание в течение первого года способствует быстрому восприятию сытости у детей в возрасте 18–24 месяцев.Педиатр ожирения. 7 (5): 382-90.

Chen TL, Chen YY, Lin CL, Peng FS, Chien LY. 2020. Отзывчивое вскармливание, рост ребенка и послеродовые депрессивные симптомы в течение 3 месяцев после родов. Питательные вещества. 12 (6): 1766.

Daly SE, DiRosso A, Owens RA и Hartmann PE. 1993. Степень опорожнения груди объясняет содержание жира в грудном молоке, но не состав жирных кислот. Exp Physiol 78: 741-755.

Дэниэл А.И., Шама С., Исмаил С., Бурдон С., Поцелуй А., Мвангом М., Бандсма Р.Х.Дж., О’Коннор Д.Л.2021. ИМТ матери положительно связан с жиром грудного молока: систематический обзор и мета-регрессионный анализ. Am J Clin Nutr. 113 (4): 1009-1022.

Динкевич Е., Лейд Л., Прайор К., Вей Ю., Хуберман Х, Карнелл С. 2015. Кормление матерей в младенчестве: прогнозируют ли они траектории веса ребенка? Ожирение (Серебряная весна). 23 (12): 2470-6.

Дисантис К.И., Коллинз Б.Н., Фишер Дж.О. и Дэйви А. 2011a. У младенцев, которых кормили непосредственно из груди, улучшилась регуляция аппетита и замедлился рост в раннем детстве по сравнению с младенцами, которых кормили из бутылочки? Закон Int J Behav Nutr Phys.8:89.

Дисантис К.И., Ходжес Е.А., Джонсон С.Л. и Фишер Дж. 2011b. Роль ответного кормления при избыточном весе в младенчестве и детстве: систематический обзор. Международный журнал ожирения 35: 480–492

Фомон С.Дж., Филмер младший, Дж. А., Томас Л. Н., Андерсон Т. А. и Нельсон С. Е.. 1975. Влияние концентрации смеси на калорийность и рост здоровых младенцев. Acta Pediatrica Scandinavica 64: 172-181.

Fuglestad AJ, Demerath EW, Finsaas MC, Moore CJ, Georgieff MK, Carlson SM.2017. Управляющая функция матери, отзывчивость ребенка на кормление и рост ребенка в течение первых 3 месяцев. Педиатр ожирения. 12 Дополнение 1: 102-110.

Gubbels JS, Thijs C, Stafleu A, van Buuren S, Kremers SP. 2011. Ассоциация грудного вскармливания и кормления по запросу с весовым статусом ребенка до 4 лет. Int J Pediatr Obes. 6 (2-2): e515-22.

Серый L, Миллер LW, Филипп BL, Blass EM. 2002. Грудное вскармливание оказывает обезболивающее у здоровых новорожденных. Педиатрия 109: 590-593.

Серый L, Ватт L, Blass EM.Контакт кожа к коже оказывает обезболивающее у здоровых новорожденных. Педиатрия 105 (1).

Gross RS, Mendelsohn AL, Fierman AH, Hauser NR, Messito MJ. 2014. Поведение матери при кормлении грудного ребенка и различия в раннем детском ожирении. Ребенок ожирения. 10 (2): 145-52.

Хаусман Кедем М., Мандель Д., Домани К. А., Мимуни Ф. Б., Шай В., Маром Р., Доллберг С., Герман Л., Любецки Р. 2013. Влияние пожилого возраста матери на содержание жира в грудном молоке. Breastfeed Med. 8 (1): 116-9.

Хестер С.Н., Хастед Д.С., Макки А.Д., Сингхал А. и Брак Б.Дж.2012. Является ли потребление макронутриентов у детей, вскармливаемых смесями, больше, чем у детей раннего возраста, вскармливаемых грудью? Журнал питания и метаболизма: 8

Якову М. и Севилья А. 2013. Кормление грудных детей: влияние кормления по расписанию и кормления по требованию на благополучие матери и когнитивное развитие детей. Eur J Public Health. 23 (1): 13-9.

Иллингворт Р.С., Стоун Д.Х., Джоветт Дж. Х. и Скотт Дж. Ф. 1952. Самостоятельное питание в родильном отделении. Ланцет 1: 683-687.

Innis SM.2014. Влияние материнского рациона на состав грудного молока и неврологическое развитие младенцев. Am J Clin Nutr. 99 (3): 734С-41С.

Институт медицины Национальной академии наук. 1991. Питание в период лактации. Вашингтон, округ Колумбия: Национальная академия прессы.

Джексон Д.А., Имонг С.М., Сильпрасет А, Преунглумпоо Рукфаопунт С., Уильямс А.Ф., Вулридж М.В., Баум Д.Д. и Аматаякул К. 1988. Циркадные колебания концентрации жира в грудном молоке в сельских районах Северного Таиланда. Британский журнал питания 59: 365-371.

Яни Р., Маллан К.М., Дэниэлс Л. 2015. Связь между методами кормления матерей австралийского происхождения и особенностями детского аппетита. Аппетит 84: 188-95

Дженнесс 1974. Биосинтез и состав молока. Журнал исследовательской дерматологии. 63: 109-118.

Керстинг М. и Дулон М. 2001. Оценка продвижения грудного вскармливания в больницах и последующее обследование пар мать-младенец в Германии: исследование Su-Se. Питание общественного здравоохранения 5 (4): 547-552.

Хан С., Хепворт А.Р., Прайм ДК, Лай, Коннектикут, Тренгове, штат Нью-Джерси, Хартманн ЧП. 2013. Различия в составе жиров, лактозы и белка в грудном молоке в течение 24 часов: ассоциации с режимами кормления младенцев. J Hum Lact. 29 (1): 81-9

Коннер М. 2005. Младенчество и детство охотников-собирателей: Кунг и другие. В: Детство охотников-собирателей: эволюционные, эволюционные и культурные перспективы. BS Hewlett и ME Lamb (ред.). Нью-Брансуик: Издатели транзакций.

Li R, Fein SB, Grummer-Strawn LM.2010. Есть ли у младенцев, вскармливаемых из бутылочек, отсутствует саморегуляция потребления молока по сравнению с младенцами, находящимися на прямом грудном вскармливании? Педиатрия. 125 (6): e1386-93.

Mandel D, Lubetzky R, Dollberg S, Barak S, Mimouni FB. 2005. Жирность и энергетическая ценность сцеженного грудного молока при длительной лактации. Педиатрия. 116 (3): e432-5.

Mihrshahi S, Battistutta D, Magarey A, Daniels LA. 2011. Детерминанты быстрого набора веса в младенчестве: исходные результаты рандомизированного контролируемого исследования NOURISH.BMC Pediatr. 11:99.

Прентис А.М. и Прентис А. 1988. Энергозатраты при лактации. Ежегодный обзор питания 8: 63-79.

Прентис А., Прентис А.М. и Уайтхед Р.Г. 1981. Концентрация в грудном молоке сельских африканских женщин I. Кратковременные колебания внутри отдельных лиц. Британский журнал питания 45: 483-494.

Rocquelin G, Tapsoba S, Dop MC, Mbemba F, Traissac P, Martin-Prével Y. 1998. На содержание липидов и состав незаменимых жирных кислот (EFA) зрелого конголезского грудного молока влияет статус питания матери: влияние на младенцев Поставка EFA.Eur J Clin Nutr. 52 (3): 164-71

Роджерс Р.Ф., Пакстон С.Дж., Мэсси Р., Кэмпбелл К.Дж., Вертхайм Э.Х., Скутерис Х., Гиббонс К. 2013. Практика кормления матерей позволяет прогнозировать увеличение веса и пищевое поведение, вызывающее ожирение, у маленьких детей: перспективное исследование. Закон Int J Behav Nutr Phys. 10:24

Saxon TF, Gollapalli A, Mitchell MW, and Stanko S. 2002. Кормление по требованию или кормление по расписанию: рост ребенка от рождения до 6 месяцев. Журнал репродуктивной и детской психологии 20 (2): 89-99.

Северн Нельсон Э.А., Шифенхёвель В. и Хаймерл Ф.2000. Практика ухода за детьми в непромышленных обществах. Педиатрия 105: 75-79.

Шах П.С., Аливалас Л. и Шах В. 2007. Грудное вскармливание или грудное молоко для облегчения процедурной боли у новорожденных: систематический обзор. Медицина грудного вскармливания 2: 74-82.

Spill MK, Каллахан EH, Шапиро MJ, Spahn JM, Wong YP, Benjamin-Neelon SE, Birch L, Black MM, Cook JT, Faith MS, Mennella JA, Casavale KO. 2019. Практика вскармливания и вес ребенка: систематический обзор. Am J Clin Nutr.109 (Дополнение_7): 990S-1002S.

Szabó E, Boehm G, Beermann C, Weyermann M, Brenner H, Rothenbacher D, Decsi T. 2010. Сравнение профиля жирных кислот в грудном молоке, взятом у тех же матерей на шестой неделе и шестом месяце лактации. J Pediatr Gastroenterol Nutr. 50 (3): 316-20.

Tilden CD и Oftedal OT. 1997. Состав молока отражает характер материнской заботы у просимийских приматов. Американский журнал приматологии 41: 195-211.

Tylka TL, Lumeng JC, Eneli IU.2015. Интуитивное питание матери как модератор связи между беспокойством о весе ребенка и ограничением кормления ребенка. Аппетит 95: 158-65.

Ventura AK, Inamdar LB, Mennella JA. 2015. Последовательность в поведении младенцев, сигнализирующих о насыщении во время кормления из бутылочки. Педиатр ожирения. 10 (3): 180-7.

Wojcik KY, Rechtman DJ, Lee ML, Montoya A, Medo ET. 2009. Макроэлементный анализ общенационального образца донорского грудного молока. J Am Diet Assoc. 109 (1): 137-40.

Woolridge MW.1995. Кормление грудью, контролируемое младенцами: биокультурные последствия. В: Грудное вскармливание: биокультурные перспективы. П. Стюарт-Макадам и К. А. Деттвайлер (ред.). Нью-Йорк: Альдин де Грюйтер.

Woolridge MW и Baum JD. 1992. Младенческий аппетит-контроль и регулирование грудного молока. Детская больница ежеквартально 3: 133-119.

Вулридж М.В. и Фишер С. 1988. Колики, «перекармливание» и симптомы мальабсорбции лактозы у грудного ребенка: возможный артефакт управления кормлением.Ланцет 13: 382-384.

Примечание. Части этой статьи «Отказ от графика кормления младенцев: почему младенцам лучше кормить по сигналу» взяты из более ранней статьи в Parenting Science «График кормления младенцев: почему младенцам полезно кормить по требованию». Материал здесь обновлен и существенно переработан.

Дополнительную информацию о графике кормления грудных детей см. В моей статье о кормлении грудью по требованию.

Изображение предоставлено для «Лучшего графика кормления младенцев»

Друг с матерью, кормящей грудью — Департамент США.Сельское хозяйство (лицензия Creative Commons)

Бабушка, младенец и мать — Филипп Парр / flickr (Creative Commons, без производных)

Изображение кормящей матери на открытом воздухе — Ауримас Микалаускас / flickr (creative commons)

Грудное молоко от Azoreg / wikimedia commons (лицензия Creative Commons)

Детская бутылочка от nerissa’s ring / flickr (лицензия Creative Commons)

Спящий новорожденный, Джейсон Барлс / flickr (лицензия Creative Commons)

Содержание «Лучшего графика кормления грудных детей», последнее изменение 5/2021

Пять причин, по которым ЕЦБ не следил за ФРС в отношении инфляции

ФРАНКФУРТ (Рейтер) — Европейский центральный банк, изложивший в четверг изменение стратегии политики, оставил многие вопросы без ответа, но совершенно ясно дал один момент: он не будет следовать своей политике. .С. аналог в таргетинге на средний уровень инфляции.

Тот факт, что он так резко дистанцировал два режима, отражает как борьбу самого ЕЦБ, так и сложность Федеральной резервной системы США в разъяснении того, как на самом деле работает таргетирование средней инфляции и как оно влияет на политику.

Ниже приведены пять выводов о том, почему ЕЦБ не скопировал ФРС.

ПОЛИТИКА

Таргетирование средней инфляции означает принятие четкого обязательства по превышению целевого показателя после его превышения в течение длительного периода.Это было бы большим запретом для опасающейся инфляции Германии, крупнейшей экономики региона.

Президент ЕЦБ Кристин Лагард заявила, что может произойти временный переворот, и в некоторых ситуациях ЕЦБ будет проводить политику, которая приведет к такому колебанию. Но это все еще не цель и не соответствует обязательствам ФРС по завышению цен.

Это можно рассматривать как победу главы Бундесбанка Йенса Вайдманна, который упорно отвергал идею стремления к росту цен выше запланированного.

«Проводим ли мы таргетирование средней инфляции, как ФРС? Ответ — нет, очень однозначно», — сказала Лагард на пресс-конференции.

БОЛЬШЕ

. означало бы большие выбросы.

В прошлом году инфляция в среднем составляла всего 0,3%, что значительно ниже целевого показателя ЕЦБ в 2%, тогда как в 2019 году, до пандемии коронавируса, инфляция составляла 1,2%.

Сделать взаимозачет практически невозможно. Это означало бы огромные промахи с почти исчерпанным арсеналом политики, комбинация, которая бросила бы вызов авторитету ЕЦБ.Даже если бы было политическое пространство для такого поворота, политическая оппозиция была бы подавляющей. Более того, колебания в таком масштабе вредны для экономики.

ГИБКОСТЬ

ЕЦБ разработал всю свою стратегию в направлении гибкости. Он нацелен на инфляцию в среднесрочной перспективе, это неопределенная, расплывчатая концепция, в то время как его терпимость к отклонениям так же свободно сформулирована, чтобы дать Совету управляющих максимальную гибкость.

История продолжается

Рекомендации банка в отношении будущих мер политики также неточны, поэтому переход к среднему показателю ФРС фактически снизил бы эту заветную гибкость.

MESSY

Таргетирование средней инфляции за период беспорядочно. Он требует, чтобы центральный банк определил период времени и конкретную меру инфляции, на которую он обращает внимание.

Затем рынки подотчетны центральному банку и соответственно оценивают активы. Такая структура либо снижает гибкость ЕЦБ, либо, если в ней не указаны ее условия, вызывает путаницу на рынках, вызывая волатильность цен на активы.

БОРЬБА ФРС

Трудности самого ФРС также отговорили ЕЦБ.

ФРС приняла решение о гибком таргетировании средней инфляции в августе прошлого года, но была широко раскритикована за то, что не указала, насколько допустимое превышение будет допущено в течение какого периода времени.

Год спустя картина все еще не ясна. Фактически, различные прогнозы инфляции и разная чувствительность к инфляционному риску привели к значительному разногласию между политиками. Некоторые видят повышение ставок уже в следующем году, в то время как некоторые ожидают первого шага только в 2024 году.

(Отчет Балаша Кораньи; Дополнительный отчет Ховарда Шнайдера в Вашингтоне; редактирование Марка Джона и Джона Стонстрита)

У ЕЦБ есть причина перескочить через ФРС. цифровая валюта

Фейерверк освещает небо вокруг огромной скульптуры евро, разработанной Немецкий художник Оттмар Хёрль перед штаб-квартирой Европейского Центральный банк (ЕЦБ) во Франкфурте, 1 января 2002 г.

ЛОНДОН, 14 июля (Reuters Breakingviews) — Европейский центральный банк погружается в потенциально привлекательные воды. Президент Кристин Лагард в среду сделала первый шаг к цифровому евро, начав двухлетнее расследование возможности выпуска электронной валюты. Несмотря на излишнюю осторожность, у ЕЦБ есть причины обойти Федеральный резерв.

Ни один из центральных банков не заинтересован в том, чтобы идти в ногу с Народным банком Китая, который уже опробовал цифровой юань в крупных городах, включая Шэньчжэнь и Шанхай.Но Covid-19 ускорил исчезновение физических наличных денег: почти девять из 10 человек заявили, что либо определенно, либо, вероятно, будут платить наличными меньше после пандемии, как показал опрос граждан еврозоны, проведенный ЕЦБ в прошлом году.

Ключевым вопросом для Лагард и ее коллег будет вопрос о том, вытягивает ли электронные деньги, выпущенные центральным банком, слишком много депозитов из коммерческих банков, которые имеют жизненно важное значение для направления кредитов домашним хозяйствам и предприятиям. Опрос управляющих резервами центральных банков, проведенный UBS, показал, что наиболее часто упоминаемая потенциальная угроза заключается в том, что цифровые монеты могут привести к отказу от посредников в банках, что может нарушить финансовую стабильность.Это имело бы особенно негативные экономические последствия для Европы. Как отмечают экономисты Morgan Stanley, банки региона обеспечивают три четверти финансовых потребностей компаний; в Соединенных Штатах такая же доля корпоративного финансирования поступает с рынков капитала.

Но есть способы обойти эту проблему, например установить максимальную сумму, которую любое домашнее хозяйство может держать в цифровых евро. И есть потенциально большие преимущества для ЕЦБ, который боролся больше, чем ФРС, чтобы вызвать достаточную инфляцию за последнее десятилетие.

Электронный евро может быть разработан, чтобы позволить центральному банку устанавливать отрицательные процентные ставки непосредственно для домашних хозяйств, вместо того, чтобы полагаться на коммерческие банки, чтобы передать влияние смягчения денежно-кредитной политики. Это сделало бы его политику гораздо более действенной: хотя в настоящее время ЕЦБ взимает минус 0,5% с депозитов в центральном банке, коммерческие кредиторы в большинстве случаев избегают передачи этих ставок клиентам, за исключением очень крупных депозитов.

И если достаточное количество граждан будет владеть цифровым кошельком, правительства смогут осуществлять прямые финансовые переводы, чтобы стимулировать экономику во время спадов.Учитывая, что вялый рост и дезинфляция были большей проблемой для еврозоны, чем для Соединенных Штатов, у ЕЦБ есть дополнительные причины для цифрового рывка.

Следуйте за @swahapattanaik в Twitter

КОНТЕКСТНЫЕ НОВОСТИ

— 14 июля Европейский центральный банк дал зеленый свет процессу, который в конечном итоге может привести к запуску цифровой версии евро.

— ЕЦБ официально утвердил так называемую «фазу расследования», которая продлится два года и направлена ​​на решение ключевых вопросов, касающихся дизайна и распространения цифровой валюты.ЕЦБ заявил, что эта работа не предопределит какое-либо будущее решение о возможном выпуске цифрового евро, которое будет принято позже, добавив, что в любом случае цифровой евро будет дополнять наличные деньги, а не заменять их.

Под редакцией Питера Тала Ларсена и Карен Квок

Reuters Breakingviews — это ведущий мировой источник финансовой информации, определяющей повестку дня. Как бренд Reuters для финансовых комментариев, мы ежедневно анализируем истории большого бизнеса и экономики в том виде, в каком они появляются во всем мире.Глобальная команда из 30 корреспондентов в Нью-Йорке, Лондоне, Гонконге и других крупных городах предоставляет экспертный анализ в режиме реального времени.

Подпишитесь на бесплатную пробную версию нашего полного сервиса на https://www.breakingviews.com/trial и подпишитесь на нас в Twitter @Breakingviews и на www.breakingviews.com. Все высказанные мнения принадлежат авторам.

Сделки репо и обратного репо

Репо — это обычная сделка на денежном рынке с обеспечением. В сделке репо Отдел покупает ценные бумаги у контрагента при условии заключения соглашения о перепродаже ценных бумаг в более поздний срок. Каждая операция репо экономически аналогична ссуде, обеспеченной ценными бумагами, и временно увеличивает объем резервных остатков в банковской системе.

И наоборот, при операции обратного репо Центр продает ценные бумаги контрагенту при условии заключения соглашения об обратной покупке ценных бумаг в более поздний срок. Операции обратного репо временно сокращают предложение резервных остатков в банковской системе.

Для поддержки целей своей политики FOMC создал механизмы репо и обратного репо. Механизм обратного репо овернайт (ON RRP) помогает обеспечить нижний предел процентных ставок овернайт, выступая в качестве альтернативной инвестиции для широкой базы инвесторов денежного рынка, когда ставки падают ниже процентной ставки по резервным остаткам (IORB).Механизм постоянного репо (SRF) служит опорой для смягчения повышательного давления на процентные ставки, которое иногда может возникать на рынках однодневного финансирования в долларах США и распространяться на рынок федеральных фондов. Служба обычно выполняет операции ON RRP и SRF каждый рабочий день.

Отдел также может проводить внеплановые операции репо, если это необходимо для поддержания ставки по федеральным фондам в целевом диапазоне, в соответствии с директивой FOMC.

В дополнение к этим операциям ФРС Нью-Йорка выполняет операции репо и обратного репо со своими клиентами из иностранных и международных денежных властей (FIMA).Дополнительная информация об объединенных зарубежных сделках обратного репо овернайт и о постоянно действующей программе репо FIMA доступна здесь.

Операция обратного РЕПО с закрытой ставкой

Федеральная резервная система управляет процентными ставками овернайт, устанавливая процентную ставку по резервным остаткам (IORB), которая представляет собой ставку, выплачиваемую депозитным учреждениям по остаткам, поддерживаемым в Федеральных резервных банках. ON RRP обеспечивает нижний предел процентных ставок овернайт, предлагая широкий спектр финансовых учреждений, которые не имеют права на получение IORB, альтернативного варианта безрискового инвестирования.Вместе ставка IORB и ON RRP устанавливают нижний предел ставок овернайт, ниже которого банки и небанковские финансовые учреждения не должны желать инвестировать средства в частные рынки.

The Desk проводит операции ON RRP по заранее объявленной ставке размещения, установленной FOMC. The Desk предлагает ценные бумаги Казначейства США, хранящиеся в портфеле Системного счета на открытом рынке (SOMA), для расчетов по сделкам по RRP. Широкий круг контрагентов — первичные дилеры, банки, паевые инвестиционные фонды денежного рынка и спонсируемые государством предприятия — имеют право участвовать в ON RRP.Каждый контрагент может инвестировать средства в ON RRP в пределах лимита на контрагента. Более подробную информацию о ON RRP можно найти в разделе «Часто задаваемые вопросы». Информация об основных дилерах доступна здесь. Информация о контрагентах расширенного RRP доступна здесь. Информацию о результатах работы отдела RRP можно найти здесь.

Кредитная линия постоянного РЕПО

В июле 2021 года FOMC учредил механизм постоянного репо (SRF), чтобы служить опорой на денежных рынках для поддержки эффективной реализации и передачи денежно-кредитной политики и бесперебойного функционирования рынка.SRF предназначен для ослабления повышательного давления на рынках репо, которое может распространиться на рынок федеральных фондов. В режиме обильных резервов FOMC для реализации денежно-кредитной политики не ожидается частого использования SRF.

Бюро проводит операции репо овернайт в рамках SRF каждый рабочий день по заранее объявленной ставке, установленной FOMC. Казначейство, долговые обязательства агентств и ценные бумаги, обеспеченные ипотекой агентств, имеют право проводить расчеты по сделкам репо в рамках SRF. Более подробную информацию о SRF можно найти в разделе «Часто задаваемые вопросы».С информацией о результатах репо-операций Департамента можно ознакомиться здесь.

Первичные дилеры являются контрагентами SRF, а депозитарные учреждения будут добавлены в качестве контрагентов, начиная с четвертого квартала 2021 года.

Объяснение нового чрезвычайного фонда Федерального резерва и казначейства

Приняв Закон CARES от 2020 года, Конгресс создал нечто новое под солнцем: казначейский фонд в размере около 454 миллиардов долларов, который необходимо инвестировать в созданные Федеральной резервной системой (ФРС) учреждения для оказания чрезвычайной помощи.Америка никогда не видела ничего подобного. В этом разъяснении подробно рассказывается, что представляет собой этот новый фонд, чем он не является, и чего общественность может ожидать от этих ресурсов по мере их развертывания.

Что сделал Конгресс

Раздел 4003 Закона о CARES выделяет 500 миллиардов долларов для использования Казначейством определенными способами. Он предоставляет казначейству 46 миллиардов долларов для кредитования конкретных секторов, в основном в сфере авиации: 29 миллиардов долларов для авиакомпаний и авиаперевозчиков, 17 миллиардов долларов для «предприятий, критически важных для поддержания национальной безопасности».«Казначейство пользуется значительной автономией в отношении условий этих фондов. Оставшиеся 454 миллиарда долларов предназначены для использования Казначейством единственной цели: «инвестиции в программы или средства, созданные» Федеральной резервной системой.

Другими словами, Конгресс только что выделил почти полтриллиона долларов, чтобы одна часть правительства инвестировала в другую.

Привязаны ли строки?

Основным камнем преткновения по этому положению между республиканцами и демократами было то, какие ниточки, если таковые имеются, должны быть привязаны к этим деньгам, и могут ли они быть задействованы по усмотрению ФРС или Казначейства.

Результат, как это часто бывает в случае компромиссов, немного запутан, и многое предстоит еще определить при нормативном применении закона.

Во-первых, в § 4003 (c) (1) Казначейство может приложить «такие условия. . . по усмотрению Секретаря ». Существует некоторая руководящая информация о типах условий (таких как аудит и соответствующие процентные ставки, которые должны взиматься), но решение по большей части этих решений остается на усмотрение Казначейства.Это право по своему усмотрению распространяется на полные 500 миллиардов долларов, а не только на 46 миллиардов долларов секторального кредитования. Это большая палка, если Казначейство решит ее использовать

Во-вторых, и более конкретно, любое кредитование трех определенных секторов, оставшихся на счет Казначейства — авиаперевозки, грузовые авиаперевозки и предприятия национальной безопасности, — подлежит гораздо более обширным, хотя и несколько запутанным инструкциям Конгресса. В § 4003 (c) (2) Конгресс указывает, что Секретарь «может заключать соглашения о предоставлении займов или гарантий по займам 1 или более подходящим предприятиям» в сфере авиаперевозок, грузовых авиаперевозок и национальной безопасности, «если Секретарь определит, что, на усмотрение Секретаря »выполняется ряд условий.К ним относятся условия в отношении срока погашения кредита и процентных ставок, а также некоторые условия, которые демократы одобрили в ходе переговоров, в том числе ограничение на обратный выкуп акций (§ 4003 (c) (2) (E)), дивиденды (§ 4003 (c) (2) ) (F)), а также требование о том, что «до 30 сентября 2020 г. правомочное предприятие должно поддерживать уровень занятости по состоянию на 24 марта 2020 г., насколько это практически возможно, и в любом случае не должно снижать уровень занятости более чем на 10 процентов от уровней на такую ​​дату ».

Эти более широкие ограничения несколько сбиваются с толку включением в § 4003 (c) (2) формулировки, предоставляющей казначейство по своему усмотрению, о том, что Секретарь должен «по усмотрению Секретаря» определять выполнение этих условий.Но я думаю, что при правильном прочтении устава потребуется, чтобы это отраслевое кредитование подчинялось хотя бы этим требованиям.

Есть также некоторые — но только некоторые — ограничения на львиную долю ассигнований, 454 миллиарда долларов, которые Казначейство должно инвестировать «в программы или средства, созданные» Федеральной резервной системой. В соответствии с § 4003 (c) (3) Конгресс установил ограничения на инвестиции Казначейства в средства ФРС, но только в той степени, в которой такие инвестиции осуществляются в виде «прямых займов», а не как часть средств покупки облигаций или обеспечения.Эти ограничения включают лимиты на обратный выкуп акций, дивиденды и ограничения вознаграждения руководителей. Ограничений на удержание заработной платы нет, и, в отличие от ограничений по положениям об отраслевом кредитовании, Казначейство может отменить эти ограничения на прямое ссуду в отношении 454 миллиардов долларов, § 4003 (c) (3) (B) (iii), хотя такой отказ требует, чтобы «секретарь явился для дачи показаний» перед комитетом Палаты представителей по финансовым услугам и банковским комитетом Сената.

Как этот фонд интегрируется с существующими органами ФРС по экстренному кредитованию, особенно с теми, которые появились после 2008 года?

После Великой депрессии Конгресс предоставил ФРС полномочия по экстренному кредитованию на случай «необычных и неотложных обстоятельств», срок не определен.В 2008 году ФРС впервые со времен депрессии использовала это право. В Додд-Франке, законодательная реформа после 2008 года, вступившая в силу в июле 2010 года, Конгресс существенно пересмотрел эти полномочия, введя всевозможные процедурные ограничения, если ФРС решит воспользоваться этими полномочиями. Эти ограничения включают требование о том, чтобы министр финансов подписывал любое решение о вызове органа экстренного кредитования, чтобы ни одна неплатежеспособная компания не получала экстренные ссуды, чтобы предпринимались усилия по защите налогоплательщиков от убытков и чтобы экстренное кредитование предоставлялось участникам программы. с «широким правом», т. е. без кредитования одной компании.

Эти правила все еще действуют, и не только потому, что Закон CARES не меняет их.

Необходимы ли казначейские инвестиции в экстренное кредитование ФРС?

ФРС предположила, что инвестиции казначейства необходимы, потому что ФРС не может потерять деньги на своих инвестициях, поэтому ему нужно, чтобы участие казначейства было более агрессивным в кредитовании, чем это разрешено в других случаях.

Но это правильно? Помните, что Конгресс установил полномочия ФРС по экстренному кредитованию, и что ФРС может добавлять положения, разъясняющие этот законодательный текст, только там, где это разрешено Конгрессом.Другими словами, Конгресс устанавливает повестку дня для реализации ФРС.

Чтобы быть предельно ясным: нигде в какой-либо части Закона о Федеральной резервной системе кредитование ФРС не требует участия Казначейства, и Конгресс не препятствовал ФРС брать на себя убытки при экстренном кредитовании. Действительно, ФРС ежегодно возвращает в Казначейство выручку от своих процентных доходов после расходов. Любопытство к тому, что одна часть правительства инвестирует выделенные средства в другую часть правительства, когда эта вторая часть будет возвращать свои деньги первой, само по себе более чем головокружительно.

Руководители центральных банков — и юристы центральных банков -, однако, сделали большую часть одного положения о полномочиях ФРС по чрезвычайному кредитованию в соответствии с § 13 (3). Это требование, чтобы любое экстренное кредитование было «одобрено или иным образом обеспечено к удовлетворению» регионального Федерального резервного банка, который в первую очередь берет на себя эту ссуду. Как описала это моя коллега из Брукингса Нелли Лян, эта реальность означает, что степень риска, на который готово пойти Казначейство, особенно при кредитовании через механизмы ФРС, нацеленных на малый бизнес, является «ключевым вопросом» для будущего успеха этой программы. , учитывая нежелание ФРС более четко указывать, какие виды ценных бумаг ему подойдут.

Чтобы быть предельно ясным, это законодательное ограничение не является конкретным, и ничто в Законе CARES не меняет его. Закон не предписывает какой-либо конкретной структуры кредитования, какой-либо конкретной суммы обеспечения или каких-либо конкретных требований, чтобы ФРС избегала первых убытков в системе экстренного кредитования.

Ответ на эту очевидную головоломку нелегальный и не финансовый. Это политическое. Это немаловажное соображение. Если ФРС сделает свою работу правильно — если она склонится к этому кризису и быстро примет решения о кредитовании во имя обеспечения столь необходимой стабильности, — будут ошибки, будут убытки, в местной газете появятся своеобразные заголовки.Некоторые из этих ссуд не будут работать, и, возможно, некоторые из предприятий, которые пользуются кредитами ФРС, в конечном итоге станут спорными в будущем. ФРС требует прикрытия для этих кредитных решений. Как уже упоминалось, в соответствии с § 13 (3) (B) (iv) Министр финансов должен подписывать любые программы экстренного кредитования в соответствии с поправками к статуту. Но 454 миллиарда долларов снабжают это политическое прикрытие восклицательным знаком.

Тем не менее, ФРС должна быть ясна: это участие Казначейства не было и не является требованием закона.ФРС не нужно принимать инвестиции Казначейства в свои аварийные объекты, и ничто в Законе о CARES не меняет этого положения.

Видели ли мы что-нибудь подобное раньше?

Нет, до того, как реакция ФРС на коронавирус инициировала подобные вложения казначейства, этого никогда не было раньше, даже после обширных экспериментов с экстренным кредитованием, которые мы наблюдали во время финансового кризиса 2008 года. Ближайшим аналогом является первоначальный заем ФРС 13 (3) в размере 85 миллиардов долларов, предоставленный AIG, за которым вскоре последовало увеличение объемов кредитования и покупки акций Казначейством в рамках TARP.AIG также использовала 13 (3) других объектов, чтобы получить дополнительное финансирование от ФРС. Все другие программы 2008 года до принятия TARP — от ссуды JP Morgan при покупке Bear Stearns до механизмов кредитования коммерческих бумаг — были исключительно программами ФРС.

Разница между фондом в 454 миллиарда долларов и интервенциями 2008 года, в том числе в AIG, заключалась в предполагаемой структуре этих государственных учреждений. Через TARP и Казначейство, и ФРС были открыты для одних и тех же контрагентов.Но как только TARP был принят, Казначейство взяло на себя роль основного контрагента для отдельных лиц.

Этот новый фонд теперь требует гораздо более тесного сотрудничества между ФРС и Казначейством, если ФРС, как сейчас представляется вероятным, сделает участие Казначейства частью своих будущих усилий по кредитованию. Это также ставит ФРС на место водителя, поскольку Казначейство может инвестировать только в те объекты, которые создает Федеральная резервная система. Это открывает возможности для тесного сотрудничества между двумя жизненно важными частями финансовой архитектуры правительства, но также вызывает давление на традиционную линию между денежно-кредитной и финансовой политикой, контролируемой центральным банком, и финансовой, экономической и налоговой политикой, контролируемой президентом Соединенных Штатов.