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

Содержание

питаться — это… Что такое питаться?

Морфология: я пита́юсь, ты пита́ешься, он/она/оно пита́ется, мы пита́емся, вы пита́етесь, они пита́ются, пита́йся, пита́йтесь, пита́лся, пита́лась, пита́лось, пита́лись, пита́ющийся, пита́вшийся, пита́ясь

1. Если человек или какое-либо другое живое существо питается, значит, оно употребляет что-либо в пищу, удовлетворяя тем самым свою потребность в ней, кормится.

Чтобы быть здоровым, нужно хорошо питаться. | Путешественники питались в основном растительной пищей. | Мелкие рыбёшки питаются водорослями.

2. Если вы питаетесь где-либо, значит, вы получаете пищу в каком-либо определённом месте.

Дома он еды не держал, питался в столовых и буфетах.

3. Если об органах, тканях, клетках и т. п. живого организма или растения говорят, что они питаются, значит, они получают, усваивают вещества, необходимые для их жизнедеятельности.

Мозг питается кровью. | Корни деревьев питались живительной влагой.

4. Если о человеке говорят, что он питается своим трудом, ремеслом и т. п., значит, он добывает этим средства к существованию, пропитанию, содержит себя.

Работать он не работал, питался перепродажей вещей. | Журналистом он был никудышным, ничего стоящего не писал, питался в основном скандальной хроникой. | Женщины в деревне питались сбором лекарственных трав.

5. Если о каком-либо аппарате, механизме, природном или хозяйственном объекте говорят, что он питается чем-либо или от чего-либо, значит, он получает из определённого источника вещества, материалы, энергию и т. п., необходимые для нормального действия, функционирования.

Лампы питаются от походной электростанции.

| Город питается водой из озера. | Колодец питается бьющими из скалы источниками.

6. Если о человеке, его творчестве, его чувствах и переживаниях и т. п. говорят, что они питаются чем-либо, значит, именно в этом человек находит духовный источник для своего существования, определяющий всю его деятельность, поступки, смысл его жизни.

Во всём он видел сомнительное и преступное, он этим питался, этим жил. | Его сердце питалось злобой. | Любовь его в значительной мере питалась тщеславием.

7. Если кто-либо питается слухами, фактами и т. п., значит, он видит в этом источник собственных знаний, черпает знания из этого источника.

В своих изысканиях он предпочитал питаться не шаткими иллюзиями, а действительностью. | Книг он не читал, газеты и журналы — вот чем он питался в изобилии.

Врач четыре недели питался фастфудом и показал пугающие результаты: Еда: Из жизни: Lenta.ru

Житель Великобритании четыре недели питался фастфудом и показал пугающие результаты эксперимента. Об этом сообщает Daily Mail со ссылкой на документальный фильм от «Би-би-си».

42-летний врач и телеведущий Крис ван Туллекен (Chris van Tulleken) рассказал, что в ходе опыта он не только набрал лишние килограммы, но и подверг свое здоровье существенному риску. «Я стал вяло соображать и плохо спать; я ворочался в постели из-за тревожных мыслей и страха перед повседневными делами. У меня появилась изжога и запоры. Я начал страдать от геморроя, — пожаловался он. — Но хуже всего, что мой мозг перестроился таким образом, будто у меня появилась наркозависимость».

Рацион Туллекена на 80 процентов состоял из ультра-обработанных продуктов. Проще говоря, мужчина питался фастфудом, в составе которого присутствовали различные добавки: эмульгаторы, стабилизаторы, консерванты, сухие вещества, ароматизаторы.

В ходе всего эксперимента за здоровьем Туллекена наблюдала группа исследователей. Ученые заметили изменения в его мозгу и выяснили, что вредная пища превратила мужчину в пищевого наркомана.

Что все это значит? Мой мозг подталкивает меня к поиску фастфуда. Даже после того, как я перестал придерживаться такой диеты, томография показала, что новые связи [в мозге] все еще действуют. Кажется, я не могу свести на нет нанесенный моему мозгу вред. Теперь я запрограммирован так, что мне все сложнее отказаться от вредной пищи

Крис ван Туллекен

подопытный

Туллекен признается, что поначалу старался есть в отдельной комнате, чтобы семья не последовала его примеру. Однако попытки не увенчались успехом, и вскоре ребенок и жена тоже стали питаться вредной пищей, которая хранилась дома. «Я пытался не переедать, — отмечает врач. — Я ел, только когда испытывал голод, что случалось довольно часто».

В результате британец, весивший почти 82 килограмма, всего за месяц поправился на семь килограммов. После эксперимента, который завершился в октябре прошлого года, мужчина вернулся к здоровой пище, и лишний вес начал постепенно уходить. На данный момент врач похудел до 87,7 килограмма.

Не только почитать, но и посмотреть — у нас в Instagram

Можно ли выжить, питаясь лишь чем-то одним?

  • Вероник Гринвуд
  • BBC Future

Автор фото, iStock

Нам постоянно твердят о преимуществах разнообразия в питании, но обозреватель BBC Future задалась противоположным вопросом: если бы нам все же пришлось выживать, питаясь всего одним продуктом, какой из них помог бы нам продержаться дольше всего?

Не хлебом единым жив человек — эти крылатые слова можно понимать и буквально, ведь всего через месяц после начала подобного эксперимента (питаться только хлебом) у вас непременно начнется цинга.

Лучший рацион питания — это тот, который включает все разнообразие продуктов, чтобы вам даже задумываться не приходилось о том, получаете ли вы все необходимые микроэлементы, от витамина C и железа до линолевой кислоты.

Даже новомодные диеты, предполагающие употребление всего нескольких продуктов или полное исключение из рациона определенной еды, как правило, достаточно разнообразны для того, чтобы обеспечить организм всем необходимым.

Однако представим себе ситуацию (совершенно невероятную), в которой нам пришлось бы выживать, питаясь лишь одним продуктом.

Нам наверняка захотелось бы узнать, какая пища более питательна, и можно ли, например, получить все полезные вещества только из картофеля, только бананов или только из авокадо.

Точно известно лишь одно: на эту роль не сгодится мясо, а также большинство фруктов и овощей.

В мясе нет ни клетчатки, ни важнейших витаминов и микроэлементов.

Фрукты и овощи, с одной стороны, богаты витаминами, но вот беда — они содержат очень мало жиров и белков, поэтому, даже если их есть в больших количествах, мы не получим достаточного количества этих питательных веществ.

На самом деле, чтобы выжить, нам нужно не так уж много. Но это вовсе не значит, что мы можем безболезненно отказываться от всего подряд.

Автор фото, iStock

Подпись к фото,

Оказывается, картофель богат белком и витаминами

Исследователь Арктики Вильялмур Стефанссон писал, что среди народов Северной Канады распространено такое явление, как «кроличий голод».

Это означает, что у тех, кто употребляет в пищу только очень нежирное мясо, в том числе кроличье, «в течение недели появляется диарея, сопровождаемая головной болью, слабостью и плохим самочувствием в целом».

Стефанссон пишет, что избежать смерти от неполноценного питания эти люди могут только в том случае, если включат в свой рацион жирную пищу.

В книге Джона Кракауэра «Навстречу дикой природе» (Into the Wild) выдвигается предположение, что именно кроличий голод мог стать причиной печальной участи американского путешественника Криса Маккэндлесса, доведя его до смерти.

Считается, что если человек получает только белок с незначительным количеством жиров и углеводов, его печень может просто не справиться с избытком белка.

Диетолог Дженни Джексон из Каледонского университета Глазго считает, что по сравнению с мясом и большинством других овощей картофель в подобной ситуации — вовсе не такой плохой вариант, как может показаться.

В прошлом году она написала статью об австралийце Эндрю Тэйлоре, который целый год ел только картофель, чтобы похудеть и привыкнуть к здоровому образу жизни. Его эксперимент широко освещался в СМИ.

По словам Джексон, от многих других крахмалистых продуктов картофель отличается необыкновенно высоким содержанием белка и, как следствие, разнообразных аминокислот.

Однако для человека с таким же, как у Тэйлора, весом даже 3 кг картофеля в день будет недостаточно, чтобы получить рекомендуемое количество белка. Кроме того, картофель содержит мало жира.

Несмотря на то, что Тэйлор употреблял также и сладкий картофель, богатый витаминами A и E, железом и кальцием, Джексон отмечает, что витаминов группы B, цинка и других микроэлементов ему все же не хватало.

Тем не менее Тэйлору удалось прожить этот год без особых потерь и даже заметно похудеть.

Стоит отметить, что картофель довольно часто становится предметом обсуждения, когда дело касается питания.

Несколько лет назад читатель газеты Chicago Reader обратился к автору рубрики советов с вопросом о том, можно ли выжить, питаясь только молоком и картофелем.

Он ссылался на то, что до «картофельного голода» в Ирландии жители этой страны жили практически на одном картофеле.

Журналист Сесил Адамс, который в то время вел эту рубрику, заявил, что вместе со своим помощником произвел расчеты и обнаружил, что картофель и молоко в больших количествах способны обеспечить организм практически всеми необходимыми веществами, за исключением молибдена.

Чтобы восполнить недостаток последнего, достаточно съесть немного овсянки.

Автор фото, iStock

Подпись к фото,

В авокадо много полезных веществ, но в картофеле их больше

Джексон смеется, слыша это. «Так ведь это же наш рацион — рацион шотландцев. Именно так мы и питались около ста лет назад. Картофель, молоко и овсянка, плюс немного капусты», — говорит она.

Однако придерживаться строгой монодиеты вредно не только из-за недостатка полезных веществ.

Наш организм устроен так, чтобы избегать подобных ситуаций (возможно, потому, что в конце концов это приводит к недоеданию и истощению).

Для этого существует такой механизм как сенсорно-специфическое насыщение: чем больше определенной пищи вы едите, тем хуже ваш организм ее воспринимает. Но в то же время он не будет возражать против чего-нибудь новенького.

«Я называю это «эффектом пудинга», — говорит Джексон. — Например, вы плотно поужинали и больше не можете проглотить ни кусочка. А потом кто-нибудь приносит пудинг, и вы с аппетитом на него набрасываетесь».

Существует опасность того, что, день за днем питаясь одним и тем же продуктом, в определенный момент вы просто не сможете употребить его в количестве, достаточном для того, чтобы выжить.

Просто представьте, что вам придется съедать по три кило авокадо в день.

Более того, предположение о том, что придерживаться монодиеты вместо разнообразного рациона питания можно без вреда для здоровья — при условии поступления в организм всех витаминов и минералов, а также достаточного количества калорий, — только кажется логичным.

Вспомним, при помощи каких методов развивалась современная наука о питании. В самом начале XX века ученые исключали из рациона крыс определенные питательные вещества и следили за тем, от чего те могут заболеть или погибнуть.

К примеру, именно так мы узнали о существовании витаминов. Подобные эксперименты способны показать, без чего крысы умрут, по крайней мере, в краткосрочной перспективе.

Автор фото, iStock

Подпись к фото,

В мясе кролика так мало жира, что оно может вызвать проблемы с пищеварением

Однако Джексон считает, что c помощью подобных экспериментов невозможно выявить некоторые преимущества разнообразного питания, которые проявляются в течение более долгого периода времени.

Кроме того, нельзя забывать, что люди все же отличаются от крыс.

Проанализировав существующие эпидемиологические данные, ученые пришли к выводу о том, что чем больше разных овощей мы едим, тем лучше. Но почему это так, до сих пор неясно.

Например, есть вероятность того, что люди, не употребляющие в пищу зеленые овощи, по какой-то причине в большей степени подвержены онкологическим заболеваниям.

«Мы не знаем наверняка, к каким последствиям может привести употребление того или иного продукта», — говорит Джексон.

«Мы можем определить, какое количество основных питательных веществ нам необходимо, но при этом упустить что-то важное, о чем мы даже не догадываемся».

Урезав свой рацион до всего одного ингредиента, вы можете сэкономить время и силы, но это кратчайший путь к тому, чтобы заболеть… или просто заскучать.

Как я месяц ел обработанную пищу и что из этого получилось

Подпись к фото,

Телеведущий доктор Крис ван Туллекен поставил перед собой задачу в течение месяца придерживаться диеты, состоящей в основном из переработанных продуктов

Телеведущий и доктор Крис ван Туллекен поставил перед собой задачу в течение месяца придерживаться диеты, состоящей в основном из переработанных продуктов.

Считается, что более половины энергии, которую британцы получают из пищи, поступает из продуктов сверхпереработки. Существуют опасения, что эти продукты заставляют людей есть больше и набирать вес. По оценкам, каждый четвертый взрослый, а также каждый пятый ребенок в возрасте 10-11 лет в Великобритании страдает ожирением.

«Я хотел узнать, какое влияние на меня оказала диета с высоким содержанием пастеризованной пищи», — говорит доктор Крис ван Туллекен, ведущий программы «Чем мы кормим наших детей?». Влияние переработанных продуктов на человеческий организм, особенно на детей и подростков, которые едят больше, чем средний взрослый, изучено сравнительно плохо.

Для эксперимента, который показан в программе, Крис увеличил свое обычное потребление обработанной пищи с примерно 30% до 80% в течение четырех недель. «Выглядит экстремально, но это диета каждого пятого жителя Великобритании», — говорит он.

«Я чувствовал себя на десять лет старше»

Подпись к фото,

По словам ван Туллекена, для своего эксперимента он придерживался диеты, на 80% состоящей из сверхпереработанных продуктов — так питается примерно 20% британцев

По прошествии месяца оказалось, что у Криса испортились сон и настроение, началась изжога, развилось чувство беспокойства, вялость и снизилось либидо. Еще у него появились геморроидальные узлы от запора. «Я чувствовал себя на 10 лет старше, но не осознавал, что это все из-за еды, пока не перестал придерживаться этой диеты, — говорит он

Крис поправился почти на 7 кг за четыре недели и формально попал в категорию «излишнего веса». «Если бы я набирал вес такими темпами в течение шести месяцев, я бы поправился почти на 40 кг», — говорит он. На этом все не закончилось.

Сканирование мозговой активности показало, что области мозга Криса, отвечающие за вознаграждение, установили связи с областями, ответственными за повторяющееся автоматическое поведение. «Мой мозг просто велит мне поедать сверхобработанную пищу, даже если я этого не хочу», — говорит он, добавляя, что это аналогичная реакция мозга на прием веществ, которые мы традиционно считаем вызывающими привыкание: сигареты, алкоголь и наркотики. Изменения в мозговой активности не стали перманентными. «Но если за четыре недели это происходит с моим 42-летним мозгом, то что делается с хрупким развивающимся мозгом наших детей?» — говорит он.

Мы не знаем точно, почему пищевые продукты, подвергшиеся сверхобработке, обладают таким эффектом, но Крис говорит, что большинство гипотез сводятся к комбинации физического процесса обработки и их питательного состава.

Сколько мы едим?

Крис обсудил результаты своей диеты, показанной в фильме, с доктором Кевином Холлом, старшим исследователем Национального института здравоохранения. Холл провел исследование, в ходе которого добровольцам предложили две диеты, сопоставимые по содержанию жира, сахара, соли и клетчатки, но одна из них состояла из необработанных продуктов, а другая — примерно на 80% из ультра-обработанных продуктов. Участники могли есть предложенную пищу столько, сколько захочется.

Его исследование показало, что люди, которые питались переработанной пищей, в среднем ели более чем на 500 калорий в день больше и за две недели прибавили в весе почти на килограмм. Анализы крови показали повышение уровня гормона, ответственного за чувство голода, и снижение уровня гормона, который заставляет нас чувствовать себя сытыми. Эти результаты соответствовали опыту Криса — содержание гормонов голода в его организме за время эксперимента выросло на 30%, что, возможно, отразилось на количестве съеденного.

Холл также обнаружил, что питавшиеся обработанной пищей участники эксперимента ели намного быстрее, чем те, кто питался необработанными продуктами, что, возможно, способствовало потреблению большего количества калорий. Крис тоже испытал нечто похожее — по его словам, «многие продукты так легко пережевывать и глотать». Предыдущие исследования показали, что медленный прием пищи снижает ощущение голода.

«Действительно трудно перестать есть»

«Я заметил, что хочу есть гораздо чаще», — говорит Крис. Другие исследования показали, что некоторые продукты, в том числе сверхобработанная пицца, шоколад, чипсы и пирожные, могут вызывать непреодолимое желание поесть, потерю контроля и неспособность сократить потребление.

Есть свидетельства того, что продукты с высоким содержанием углеводов и жиров (как многие обработанные продукты) могут активировать центры мозга, отвечающие за вознаграждение, эмоции и мотивацию. Исследование мозга показывает, что чем чаще вы получаете удовольствие от еды, тем больше вам нужно есть, чтобы получить столько же удовольствия.

Многие ультра-обработанные продукты также прошли проверку и настройку в разнообразных фокус-группах, чтобы приблизить их к идеалу. Проверялась реакция людей на вкус, уровень солености, ощущение во рту и даже звук, который продукт издает при его поедании. «Я не думаю, что производители продуктов питания намеренно пытаются заставить нас располнеть, — говорит Крис. — Но у действительно вкусной еды есть побочный эффект: ее действительно трудно перестать есть».

Автор фото, Getty Images

Нужно ли избегать всех переработанных продуктов?

Пищевые продукты можно разделить на необработанные или минимально обработанные (например, помидоры), обработанные (консервированные помидоры) и ультра-обработанные (томатный соус для макарон, купленный в магазине). Некоторые ультра-обработанные продукты полезнее других — цельнозерновые хлопья для завтрака, нарезанный хлеб из непросеянной муки, консервированные печеные бобы и несладкие соевые или растительные напитки — все они сверхпереработаны, но обладают питательными свойствами. Точно так же готовые соусы для пасты, готовые блюда, спреды и мясные нарезки могут быть полезными.

Некоторые полуфабрикаты не подвергаются ультраобработке, но те, которые содержат добавки и химикаты, не используемые в домашней кулинарии, вероятно, переработаны. По словам Криса, из-за доступности, удобства и маркетинга ультрапереработанных пищевых продуктов отказаться от них «почти невозможно».

По словам диетолога Ро Хантрисса, хотя диета с высоким содержанием ультрапереработанных продуктов не рекомендуется, употребление их в пищу время от времени вряд ли вызовет риск для здоровья. «В основе здорового питания лежит баланс», — говорит она.

%d0%bf%d0%b8%d1%82%d0%b0%d0%bb%d0%b8%d1%81%d1%8c — English translation – Linguee

На грузовики могут устанавливаться зарубежные

[…]

дизели Perkins мощностью 65 л.с. (базовый

[…] двигатель) и Deutz BF 04L 2011 мощностью […]

79 л.с. или отечественный владимирский

[…]

ВМТЗ Д-130Т мощностью 65 л.с. Приводы от валов отбора мощности спереди и сзади позволяют навешивать различное дополнительное оборудование.

trucksplanet.com

The trucks can be equipped with foreign

[…]

Perkins 65 hp diesel (Base engine) and Deutz BF 04L 2011 with

[…] an output of 79 hp or domestic VMTZ D-130T […]

developes 65 hp.

trucksplanet.com

Параметр bf содержит файл, который […]

клиент должен получить по TFTP; подробности смотрите в Разд. 4.5.4.

debian.org

The “bf” option specifies the […]

file a client should retrieve via TFTP; see Section 4.5.4 for more details.

debian.org

bb) Место производства, свободное […]

от вредного организма – место производства, где данный вредный организм отсутствует, и

[…]

где оно официально поддерживается, cc) Участок производства, свободный от вредного организма — Определённая часть места производства, для которой отсутствие данного вредного организма научно доказано, и где в случае необходимости оно официально поддерживается в течение определённого периода времени, и которая управляется как отдельная единица, но таким же образом, как и свободное место производства.

fsvfn.ru

bb) Pest free place of production […]

denotes to a place of production where a specific type of pest is not present and the

[…]

place is officially protected, 3 cc) Pest free production site denotes to a production area where a specific type of pest is not present and this status is officially protected for a certain period of time and to a certain part of production area administered as a separate unit as in the case of place of production free from pests.

fsvfn.ru

влажность,W; —коэффициент биоразложения отходов на стадии

[…] полного метаногенеза Bf (зависит от морфологического […]

состава биоразлагаемой части ТБО).

ogbus.com

factor of biodecomposition of waste products at the stage of complete

[…] formation of methane Bf (depends on morphological […]

structure of biodecomposing part of MSW).

ogbus.ru

S&P также понизило оценку риска перевода и

[…]

конвертации валюты для украинских

[…] несуверенных заемщиков с «BB» до «BB», однако подтвердило краткосрочные […]

рейтинги Украины по

[…]

обязательствам в иностранной и национальной валюте на уровне «В», рейтинг по национальной шкале «uaAA» и рейтинг покрытия внешнего долга на уровне «4».

ufc-capital.com.ua

S&P also downgraded the risk of currency transfer and

[…]

conversion for Ukrainian non-sovereign

[…] borrowers from BB to BB-, but confirmed the short-term ratings […]

of Ukraine for liabilities

[…]

denominated in foreign and domestic currencies – at B level, its national scale rating — uaAA and foreign debt coverage rating – at the level 4.

ufc-capital.com.ua

Самостоятельная

[…]

финансовая позиция Самрук-Энерго на

[…] уровне рейтинговой категории BB отражает преимущество вертикальной […]

интеграции, так как деятельность

[…]

компании включает весь процесс выработки энергии, начиная от добычи угля и заканчивая генерацией и распределением электрической и тепловой энергии.

halykfinance.kz

SE’s standalone business and financial profile

[…] is assessed at BB rating category, which benefits […]

from its vertical integration as its

[…]

activities range from coal mining to generation and distribution of power and heat.

halykfinance.kz

Она весит 13 т и может перевозить до 2 т

[…]

груза с помощью установленного

[…] дизельного двигателя Deutz BF 6L 913 мощностью 160 […]

л.с. или GM 4-53T мощностью 175 л.с. Колеса

[…]

амфибии имеют диаметр 2.96 м и ширину 1.5 м. Скорость на суше 8 км/ч, на воде — 5 км/ч. На палубу амфибии может приземляться небольшой вертолет, а чтобы амфибия не перевернулась от воздушных потоков, создаваемых лопастями вертолета, предусмотрена система 4х якорей, фиксирующих VARF.

trucksplanet.com

Weighing a total of 13 t, 2 t payload, it was powered by a

[…] Deutz BF 6L 913 160 hp or GM 4-53T 175 hp engine […]

with wheels of 2.96 m diameter and

[…]

1.5 m wide. Speed of 8 km / h on land and 5 in water.

trucksplanet.com

Добавить код BF к соответствующим номерам […]

заказов муфт и ниппелей.

staubli.com

Add the code BF to the concerned part-numbers […]

of the sockets and the plugs.

staubli.com

Светодиоды «, «BF«, «FDO» и «FS» не являются […]

элементами системы обеспечения безопасности и не должны использоваться в

[…]

качестве таковых.

download.sew-eurodrive.com

The «R«, «BF», «FDO» and «FS» LEDs are not safety-oriented […]

and may not be used as a safety device.

download.sew-eurodrive.com

Страхование типа «Bf« и «Cf» подготовила EGAP […]

при тесном сотрудничестве с банковским сектором с целью позволить банкам оперативно

[…]

реагировать на потребности своих клиентов, а экспортёрам позволить получить от продажи экспортных дебиторских задолженностей финансовые средства для реализации последующих контрактов.

egap.cz

The insurance of the types «Bf» and «Cf» has been prepared […]

by EGAP in close cooperation with the banking sector with aim

[…]

of enabling banks to react flexibly to needs of their clients and helping exporters to acquire financial funds for realization of further contracts by selling of their export receivables.

egap.cz

ELSRMBF/AF облегченная версия […]

саморегулирующийся нагревательный кабель, включающий внешнюю оболочку, которая безопасна

[…]

для использования с пищевыми продуктами и питьевой водой.

eltherm.com

ELSR-M-BF/AF is the light version […]

of a self-regulating heating cable featuring an outer jacket which is KTW-proofed and

[…]

suitable for use in potable water.

eltherm.com

bb) проводить регулярный […]

обзор процесса дальнейшего осуществления Пекинской платформы действий и в 2015 году в установленном

[…]

порядке собрать все заинтересованные стороны, включая гражданское общество, для оценки прогресса и проблем, уточнения задач и рассмотрения новых инициатив через 20 лет после принятия Пекинской платформы действий

daccess-ods.un.org

(bb) To review regularly […]

the further implementation of the Beijing Platform for Action and, in 2015, to bring together all

[…]

relevant stakeholders, including civil society, to assess progress and challenges, specify targets and consider new initiatives as appropriate twenty years after the adoption of the Beijing Platform for Action

daccess-ods.un.org

bb) содействовать созданию […]

у женщин и девочек положительного представления о профессиональной деятельности в области науки

[…]

и техники, в том числе в средствах массовой информации и социальных средствах информации и через информирование родителей, учащихся, преподавателей, консультантов по вопросам профориентации и разработчиков учебных программ, а также посредством разработки и расширения других стратегий, призванных стимулировать и поддерживать их участие в этих областях

daccess-ods.un.org

(bb) Promote a positive image […]

of careers in science and technology for women and girls, including in the mass media and

[…]

social media and through sensitizing parents, students, teachers, career counsellors and curriculum developers, and devising and scaling up other strategies to encourage and support their participation in these fields

daccess-ods.un.org

Также нельзя не упомянуть, что серьезным прорывом Банка стало получение самого высокого рейтинга среди всех частных банков страны со 100%-ным местным капиталом (одновременно это и второй лучший рейтинг среди всех частных банков Азербайджана) от

[…]

международного рейтингового агентства Standard &

[…] Poor’s — долгосрочный BB и краткосрочный […]

‘B’, прогноз изменения рейтинга — «стабильный».

pashabank.az

It should be also noted that receiving highest rating among all private banks of the country with 100 % local capital (simultaneously ranking second in rating among all private banks of Azerbaijan) from the

[…]

International Rating Agency Standard &

[…] Poor’s: long-term and short-term BBB with […]

«stable» outlook has become a significant breakthrough of the Bank.

pashabank.az

Система bb workspace относится к […]

классу ECM-систем (Enterprise Content Management) и поддерживает полный жизненный цикл

[…]

управления документами от создания и регистрации, до архивного хранения в отдельных базах данных за каждый календарный год.

moscow-export.com

Bb workspace system belongs to ECM-systems […]

(Enterprise Content Management) and supports full lifecycle of document management

[…]

starting from creation and registration to archival storage in separate databases for each calendar year.

moscow-export.com

Политика управления денежными средствами Компании ограничивает суммы финансовых активов, которые можно содержать в каком-либо из банков, в зависимости от размера капитала уровня такого банка и его долгосрочного кредитного рейтинга, присвоенного агентством Standard & Poors (например, не более 40% для банка с рейтингом «BB» на 31 декабря 2010 года).

kmgep.kz

The Company’s treasury policy limits the amount of financial assets held at any one bank to the lower of a stipulated maximum threshold or a percentage of the bank’s Tier I capital, which is linked to the banks long term counterparty credit rating, as measured by Standard and Poor’s rating agency, (e.g. not greater than 40% for a BB rated bank at December 31, 2010).

kmgep.kz

В 2000 году, проработав около года на должности начальника отдела обслуживания и продаж в подразделении Olympus France, он вернулся в компанию Olympus Medical Systems Europa GmbH в Гамбурге, заняв пост начальника отдела GI/EUS/BF и подразделения маркетинга услуг.

olympus.com.ru

In 2000, after spending about a year as Department Manager, Service & Sales Management with Olympus France, he returned to Olympus Medical Systems Europa GmbH in Hamburg to take on the role of Department Manager GI/EUS/BF and Service Marketing Division.

olympus.it

Выполнен проект по изготовлению пилотных

[…]

образцов портативного мультимедийного проигрывателя, использующего разнообразные

[…] аудиоинтерфейсы, на процессоре Blackfin BF548.

promwad.com

The project for the pilot samples production of the portable

[…]

multimedia players that use different audio interfaces and

[…] are based on Blackfin BF548 processor was successfully […]

completed.

promwad.com

Во-вторых,

[…] использовать VAV BF типа низкого шума […]

ветра шасси используется в основном для различных кондиционеры, воздушные

[…]

завесы, отопления и охлаждения, вентилятор и т.д., также могут быть использованы в промышленных и горнодобывающих предприятий, общественных мест, крытый вентиляции.

ru.shyngda.com

Second, use VAV BF type low-noise wind […]

chassis is mainly used for a variety of air conditioning units, air curtain, heating

[…]

and cooling fan, etc., can also be used in industrial and mining enterprises, public places, indoor ventilation.

en.shyngda.com

Чтобы привести автомобиль в боевую готовность и показать силу были использованы 3-дюймовые навесы и особые

[…]

колеса матового черного цвета, а также

[…] грязевые шины М/Т BF Goodrich, был добавлен […]

большой передний кенгурятник, ограничительная

[…]

планка и багажник на крыше.

ms-auto.co.jp

To be fully armed and show the impact, 3 inch lift ups and

[…]

special mat black wheel and BF Goodrich

[…] mud terrain tires, large front grill guard […]

and tail guard and roof racks are added.

ms-auto.co.jp

bb) меморандум о взаимопонимании […]

между национальным управлением Румынии по противодействию отмыванию денежных средств и

[…]

секретариатом по противодействию отмыванию денег и имущества Парагвая о сотрудничестве в области обмена данными финансовой разведки об отмывании денег и финансировании терроризма, подписанный в Бухаресте, декабрь 2008 года, и Асунсьоне, декабрь 2008 года

daccess-ods.un.org

(bb) Memorandum of understanding […]

between the Romanian National Office for Preventing and Combating Money-laundering and

[…]

the Paraguayan Secretariat for Prevention of Money-laundering or Property on cooperation in financial intelligence exchange related to money-laundering and terrorist financing, signed in Bucharest, December 2008, and in Asunción, December 2008

daccess-ods.un.org

AccessBank признан самым надежным банком в

[…]

Азербайджане международным

[…] рейтинговым агентством Fitch («BB+ прогноз — стабильный»), […]

а также на ежегодных наградах компании

[…]

Global Finance (2011) и Издательской Группы Euromoney (в 2012, 2011 и 2010 году) назван «Лучшим Банком Азербайджана» и получил награду The Banker «Банк года» (2011).

anskommers.ws

AccessBank is recognized as the Most Reliable

[…]

bank in Azerbaijan by Fitch

[…] International Ratings (‘BB+ Outlook Stable‘), and as «The […]

Best Bank in Azerbaijan» by Global

[…]

Finance (2011) and Euromoney (2012, 2011 and 2010) in their annual awards as well as «The Bank of the Year» by The Banker (2011).

anskommers.ws

Еще больше положение компании в

[…] […] глазах  рынка было ухудшено решением рейтингового агентства S&P поместить кредитный рейтинг ENRC  BB+ на “credit watch negative”, что подразумевает повышенную вероятность падения рейтинга компании в ближайшие […]

три месяца.

halykfinance.kz

To make things even worse, S&P placed ENRC’s BB+ credit rating on “credit watch negative”, which implies a higher probability of a downgrade into junk territory over the next three months.

halykfinance.kz

В июне 2012 года Международным рейтинговым агентством Fitch Ratings повышены долгосрочные рейтинги Краснодарского края, а также выпуски облигаций в иностранной и национальной валюте с уровня BB до BB+.

pwc.ru

In June 2012 international ratings agency Fitch Ratings upgraded the long-term ratings for Krasnodar Territory, as well as foreign and national currency long-term issuer default ratings from ‘BB’ to ‘BB+’, and affirmed Krasnodar’s short-term rating at ‘B’.

pwc.ru

1BB 2 b iii 2 Добыча Летучие выбросы (исключая удаление газа и сжигание в факелах) из газовых скважин через входные отверстия на устройствах переработки газа или, если обработка не требуется, в точках стыковки систем транспортировки […]

газа.

ipcc-nggip.iges.or.jp

1B 2 b iii 2 Production Fugitive emissions (excluding venting and flaring) from the gas wellhead through to the inlet of gas processing plants, or, where processing is not required, to the tie-in points on gas transmission systems.

ipcc-nggip.iges.or.jp

Если ‘Быстрый ответ’ разрешен, поле для ответа появится после сообщений на странице, но Вы

[…]

должны напечатать Ваше сообщение, также

[…] можно использовать BB Код и Смайлы вручную, […]

если Вы выберете использование этого.

ipribor.com.ua

If ‘Quick Reply’ has been enabled, a simple reply field will also appear

[…]

after the post(s) on a page, but you’ll have to

[…] type your Bulletin Board Code and Smileys […]

manually if you choose to use it.

ipribor.com

Мы также добавили черные боковые пороги, 2-дюймовый

[…]

навес, эксклюзивные колеса черного цвета и всесезонные

[…] грязевые шины BF Goodrich для придания […]

более неустрашимого вида.

ms-auto.co.jp

We also added black side tube step, 2 inch lift up, exclusive black color

[…] wheel and BF Goodrich mud terrain tire […]

to make it with a look of fearless determination.

ms-auto.co.jp

Поскольку пропорциональная

[…] счетная трубка BF3 будет реагировать […]

только на термальные нейтроны, полиэтиленовый модератор,

[…]

который замедляет случайные быстрые нейтроны до термальных энергий, окружает нейтронно чувствительную трубу.

ru.flukebiomedical.com

Since the BF3 proportional counter […]

tube will only respond to thermal neutrons, a polyethylene moderator, which slows the

[…]

incident fast neutrons to thermal energies, surrounds the neutron sensitive tube.

flukebiomedical.com

В настоящий момент компания

[…] […] Promwad работает над системой видео наблюдения и регистрации с использованием стандарта сжатия изображения JPEG2000 на базе кодека ADV212/202 и двухъядерного процессора Blackfin BF561.

promwad.com

Currently Promwad Company develops a video surveillance and recording system using JPEG2000 image compression standard based on ADV212/202 codec and Blackfin BF561 duo core processor.

promwad.com

Если заготовка имеет важное значение в стране, то

[…]

составителям кадастров рекомендуется использовать национальные

[…] данные по заготовкам или вывести значение BF по конкретной стране.

ipcc-nggip.iges.or.jp

If logging is significant in the

[…] country, the inventory compilers are encouraged to use national […]

harvest data or derive country-specific BF values.

ipcc-nggip.iges.or.jp

Отец питался одним мясом, чтобы похудеть, и уничтожил законы природы. Его внешность — нокаут веганам и врачам

Мясоед из США хотел избавиться от лишнего веса, а услышав о диете на красном мясе, очень удивился. Второй раз пришлось удивляться, когда он попробовал её и вскоре не узнал себя в зеркале. Результат эксперимента — новая внешность, которая может нокаутировать фанатов овощей.

Хади Думит родился в Ливане и рос тощим ребёнком. Переломный момент настал, когда Хади переехал с родителями в Штаты и открыл для себя магию фастфуда. С тех пор худенький мальчик стал неузнаваем.

Хади после переезда в Штаты

Моя семья перевезла меня в США, и там я узнал, насколько удобен фастфуд. Когда я был младше, у меня не было доступа к такой еде, — рассказал Думит ведущим YouTube-канала Truly.

Так продолжалось долгие годы. Хади стал одержим фастфудом и видел в нём утешение, пока врач не удивил его очень тревожными новостями. К тому времени вес парня достиг отметки в 184 килограмма — максимальной за всю его жизнь.

Парень страдал от лишнего веса

Меня привели в чувство в кабинете врача. Когда я выходил от доктора, то он сказал мне, что такими темпами я могу умереть. Тогда я подумал: «Что я делаю со своей жизнью? Я вырыл себе эту большую яму, и как мне теперь из неё выбраться?» — говорит Хади.

У него диагностировали пограничный диабет

Тем временем дочери Хади исполнилось шесть лет. Отец, чувствуя большую ответственность перед ребёнком, понимал, что необходимо срочно менять образ жизни. Он стал пробовать различные диеты, многие из которых просто не работали.

Тогда мужчина посмотрел документальный фильм о диете из красного мяса, который в итоге изменил его жизнь.

Я смотрел и не мог поверить, что такое действительно возможно — питаться красным мясом и худеть. Тогда я решил проверить диету на себе, и она сработала. Вес стал уходить, — говорит Хади.

Питаясь одним мясом, Хади стал худеть

Красное мясо стало для Хади основным источником энергии, которую он также решил выпускать в тренажёрном зале, и стал заниматься пауэрлифтингом, заменяя жир на мышечную массу. С тех пор мужчина потерял 106 килограммов, и нынешний его вес составляет 81 кило.

Он занялся пауэрлифтингом и поднимает свой прошлый вес

Сейчас Хади участвует в соревнованиях по пауэрлифтингу, а также делится фотографиями своих мясных блюд в инстаграме. Кажется, столько стейков можно увидеть только в мясной лавке.

Теперь Хади способен поднять свой старый вес — 184 килограмма — и даже больше. Его последний рекорд в пауэрлифтинге — почти 193 килограмма.

Я никогда не думал, что когда-нибудь сделаю что-то подобное в своей жизни, но теперь я на третьем месте в соревновании по пауэрлифтингу, — говорит Хади.

Однако веганам есть что ответить Хади. Фанат Терминатора раскачался до размеров кумира, уничтожив законы природы. Веганы ещё никогда не выглядели так.

Кому точно может повредить растительное питание, так это животным, как в случае с парой, которая кормила псов веганской едой и осталась без питомцев. Спасатели изъяли щенков, увидев, что с ними стало.

42-летний врач месяц питался фастфудом и показал пугающий результат

Житель Великобритании месяц ел фастфуд, что привело к пугающим итогам, рассказывает Daily Mail.

42-летний врач и телеведущий Крис ван Туллекен сказал, что в ходе эксперимента подверг свое здоровье значительному риску и набрал лишний вес.

«Я стал медленно соображать и плохо спать. Тревожные мысли заставляли меня ворочаться в постели. Также возникли изжога и запоры, появился геморрой. Самое ужасное, что мой мозг перестроился таким образом, что я стал зависим от фастфуда», — жалуется доктор.

Крис до эксперимента. Фото: Facebook / Dr Chris van Tulleken

Четыре недели Туллекен потреблял практически одни ультра-обработанные продукты (80% рациона). Иными словами, он ел фастфуд, в котором содержится множество добавок: эмульгаторы, стабилизаторы, консерванты, сухие вещества и ароматизаторы.

Весь месяц за здоровьем Криса следила группа исследователей. Ученые отметили сильные изменения в его мозгу: вредная пища практически сделала испытуемого пищевым наркоманом.

«Это значит, что мой мозг подначивает меня к поиску фастфуда. После смены рациона томография показала, что новые связи в мозге, относящиеся к фастфуду, все еще не разрушились. Возможно, что у меня не получится избавиться от причиненного моему мозгу вреда. Теперь я запрограммирован так, что нуждаюсь во вредной пище», — сказал Туллекен.

Крис после эксперимента. Фото: Facebook / Dr Chris van Tulleken

Крис сообщил, что в начале эксперимента ел в отдельной комнате, чтобы семья не последовала его вредному примеру. Но это не помогло, и вскоре ребенок и жена также начали питаться фастфудом.

«Во время эксперимента я старался не переедать. Ел лишь когда чувствовал голод, но правда случалось это довольно часто», — отметил врач.

В итоге Туллекен, весивший около 82 килограммов, за четыре недели набрал еще семь килограммов. Эксперимент закончился в октябре 2020 года, телеведущий вернулся к обычному рациону, и лишние килограммы стали понемногу уходить. Сейчас вес Криса составляет 87,7 килограмма.

Характеристика: Почему насекомые могут быть идеальным кормом для животных | Наука

Мик Грант — фермер из Рооса, Великобритания, крепкий парень с сильными руками и быстрой улыбкой. Его прадед начинал с магазина и двух коров. На его территории выросла ферма Вязов, поместье площадью 450 га, на котором Грант разводит свиней и выращивает пшеницу, горох и масличный рапс. Недавно Грант добавил новый вид домашнего скота: личинки комнатной мухи, также известные как личинки.

В двух синих транспортных контейнерах в нескольких минутах езды от фермерского дома Грант выращивает их десятки тысяч. Они растут на навозе с ближайшей птицефермы — чем свежее, тем лучше, говорит Грант: «С возрастом он покрывается коркой и покрывается грибком». По его словам, личинки из старого навоза «не так хороши, как вначале».

Grant произвел сотни килограммов сушеных личинок за последние несколько месяцев в рамках финансируемого ЕС исследовательского проекта под названием PROteINSECT.Сейчас их скармливают рыбе, свиньям и цыплятам в крупных испытаниях, призванных ответить на все более актуальный вопрос: являются ли насекомые кормом для животных будущего?

Некоторые ученые уверены, что ответ положительный. Мировой аппетит к мясу растет, а производство кормов для животных становится все более тяжелым бременем для земли и воды. Насекомые могут обеспечить большую часть необходимого животным белка при гораздо меньших экологических издержках; Многие виды насекомых могут питаться навозом, например личинками Гранта, или другими видами органических отходов, такими как остатки пищи, субпродукты и зерно, выброшенные пивоваренными заводами.

Регулирующие органы начинают сравнивать преимущества с потенциальными рисками для безопасности, включая возможность того, что насекомые могут накапливать токсины в окружающей среде или даже передавать болезни сельскохозяйственным животным, которые их поедают. 8 октября Европейское управление по безопасности пищевых продуктов (EFSA) в Парме, Италия, опубликовало свой первый отчет о рисках использования насекомых в качестве продуктов питания и кормов для животных. Он пришел к выводу, что риски зависят от используемых видов насекомых и что необходимы дополнительные исследования, такие как PROteINSECT, прежде чем домашний скот или рыба будут переведены на эту новую диету.Но в других странах уже виден дивный новый мир промышленного разведения насекомых.

НАИЛУЧШИЙ СПОСОБ превратить насекомых в пищу — это просто съесть их — и во многих странах люди уже это делают. Более 2 миллиардов человек время от времени готовят гусениц, варят жуков или маринуют личинок в рамках своего традиционного рациона. В южной части Африки 9,5 миллиарда гусениц мопане — названных в честь их любимого дерева — собирают каждый год для потребления человеком, а в Уганде килограмм кузнечиков дороже, чем килограмм говядины.

А. КУАДРА / НАУКА

С точки зрения окружающей среды, это отличный выбор, — говорит Арнольд ван Хьюис, энтомолог из Университета Вагенингена в Нидерландах, который является соавтором поваренной книги по насекомым. Насекомые производят массу тела с поразительной скоростью, отчасти потому, что, будучи хладнокровными животными, им не нужно тратить энергию на регулирование температуры своего тела.Сверчкам нужно всего 1,7 килограмма корма, чтобы набрать килограмм живой массы; типичная американская курица потребляет 2,5 кг, свинья — 5 кг, а крупный рогатый скот — 10 кг. Еще одно преимущество: большинство насекомых можно есть целиком. Съедобно только половина курицы или свиньи; для коровы дробь еще меньше. В результате, по словам Ван Хьюиса, выращивание килограмма белка насекомых производит меньше CO2, чем выращивание свиней или крупного рогатого скота, и занимает лишь одну десятую площади земли.

Съедобные виды, которых насчитывается около 2000, богаты белком и питательными микроэлементами, такими как железо и витамины, как показали несколько исследований.В отчете Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО) за 2012 год, в соавторстве с Ван Хуисом, отмечен «огромный потенциал, который насекомые открывают для повышения продовольственной безопасности».

Но, помимо неизвестных факторов безопасности, включение насекомых в меню сталкивается с еще большим препятствием, говорит Ван Хьюис: «Большинство людей просто испытывают отвращение от идеи поедать насекомых». Кормление насекомых домашним скотом может иметь меньшую отдачу для окружающей среды, но его легче продать населению, и это снижает остроту проблем безопасности.(И, кто знает, энтузиасты насекомых говорят, что как только сельскохозяйственные животные начнут есть насекомых, люди могут начать считать эту идею менее отталкивающей.)

Исследования показывают, что многие животные прекрасно справляются с насекомыми, которые, в конце концов, являются естественным основным продуктом питания от курицы до форели. В обзоре исследований кормления сома, тилапии, радужной форели и некоторых других видов рыб, а также ракообразных, цыплят и свиней, проведенный в 2014 году учеными ФАО, сделан вывод, что мука из насекомых может заменить от 25% до 100% соевой или рыбной муки. в рационах животных без побочных эффектов.У большинства насекомых не хватало кальция и аминокислот, метионина и лизина, но их можно добавить дешево. Авторы отметили, что аромат и текстура рыбы не менялись, когда ее кормили личинками черной солдатской мухи.

Многих людей отталкивает идея поесть мучных червей. Кормление их животным позволяет избежать этой проблемы.

YNSECT

ЕВРОПЕЙСКИЕ ФЕРМЕРЫ имеют небольшой опыт выращивания насекомых, но Гранту не пришлось начинать с нуля.Ферма Вязов на протяжении десятилетий выращивала личинок синей бутыли в качестве приманки для рыболовов-любителей. Они растут на отходах скотобойни — почках, печени и сердцах, блестя тошнотворными красными, зелеными и коричневыми цветами. В течение нескольких дней они покрываются тысячами личинок, как если бы они вернулись к извивающейся, пульсирующей жизни.

Эти личинки — важный источник дохода для Гранта летом. Но с домашними мухами, которых он выращивает по соседству, он надеется выйти на еще больший рынок. В одном из транспортных контейнеров в огромном деревянном отсеке жужжат тысячи мух.Рано утром батрак ставит на пол контейнера подносы со свежим куриным пометом. В течение 2 часов мухам дают откладывать яйца на навоз. Затем лотки помещают внутрь другого контейнера для вылупления.

Личинки вылупляются из яиц в течение нескольких часов. Они питаются навозом, который остается влажным, и медленно зарываются в него. Через несколько дней они перемещаются по сторонам лотка; это означает, что они готовы к сбору урожая. Некоторые личинки получают немного дополнительного питания: рыбные отходы.Грант использует этих личинок, чтобы пополнить запас мух по соседству. «Рыба просто придает мухам некий ва-ва-вуум», — говорит он. «Они просто стали лучше и откладывают больше яиц». Но большинству личинок суждено быть кормом для животных. Их просеивают от навоза, затем сбрасывают в бетономешалку, где сушат и оставляют разваливаться, в результате чего получается мелкий порошок от насекомых.

На данный момент это все для исследовательских целей. Но Гранту нравится представлять себе здание, где все это автоматизировано, чтобы он мог производить тонны корма для животных.«Потенциал огромен, — говорит Ван Хьюис. В 2014 году в мире было произведено около 980 миллионов тонн кормов на сумму около 460 миллиардов долларов. С ростом потребления мяса эти цифры будут только расти. Уже сейчас более 80% мировых соевых бобов используются в качестве кормов; для их выращивания требуется огромное количество земли и воды. По словам координатора PROteINSECT Элейн Фитчес, исследователя из Агентства исследований продуктов питания и окружающей среды (FERA), частично приватизированного U.К. правительственный институт в Йорке. Для производства тонны сои в год требуется около гектара земли; По ее оценкам, та же территория может производить до 150 тонн белка из насекомых.

Белок насекомых может оказать еще большее влияние на аквакультуру, которая потребляет 10% мирового производства рыбы в качестве корма для других рыб. По словам Джейсона Дрю, британского предпринимателя, наличие рыбной муки было нестабильным, а цены на нее быстро растут — примерно с 500 долларов за тонну в 1990-х годах до 1500-2500 долларов в последние годы.«Компании ищут решения надвигающегося белкового кризиса, — говорит Дрю. «Я думаю, что белок из насекомых заменит рыбную муку. Затем мы можем оставить этот источник пищи в самом низу пищевой цепочки, где он и должен быть — в наших морях ».

Дрю — один из основателей AgriProtein Technologies, компании в Кейптауне, Южная Африка, которая, по мнению многих наблюдателей, продвинулась дальше всех в выращивании насекомых в промышленных масштабах. На средства в размере 11 миллионов долларов от Фонда Билла и Мелинды Гейтс и частных инвесторов компания построила огромный завод рядом с международным аэропортом Кейптауна, который в настоящее время наращивает производство.Когда он достигнет своей мощности, личинки солдатской мухи будут потреблять 110 тонн органических отходов ежедневно, чтобы произвести 24 тонны личинок. Сушеные и измельченные в порошок, они будут продаваться южноафриканским фермерам в качестве корма по более низкой цене, чем рыбная мука, говорит Дрю. Ничто не мешает ему вывести свой продукт на рынок, и у него уже есть планы относительно второй фабрики. Дрю считает, что личинки сделают его миллионером.

РЕГУЛЯТОРЫ В ЕВРОПЕ и США, однако, все еще вызывают опасения.В Соединенных Штатах использование насекомых в качестве корма разрешено в некоторых штатах, но не в других. EnviroFlight, компания, базирующаяся в Йеллоу-Спрингс, штат Огайо, выращивает личинок черных солдатских мух и продает их в качестве корма для домашних животных и животных в зоопарках. Компания работает с Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов, чтобы доказать, что кормить ее личинок животными, поедаемыми людьми, безопасно. По прогнозам основателя и директора EnviroFlight Глена Кортрайта, в настоящее время проводятся испытания кормления, в основном рыбой, и общенациональное одобрение может быть получено уже в сентябре 2016 года.«Это откроет ворота наводнения».

Европа более осторожна, отчасти из-за вспышки губчатой ​​энцефалопатии крупного рогатого скота (ГЭКРС), более известной как коровье бешенство, в 1980-х и 1990-х годах. BSE вызывается неправильно свернутыми белками мозга. Он распространился среди коров, потому что их кормили белками, извлеченными из останков других коров, и несколько сотен человек, которые ели зараженную говядину, подхватили смертельную человеческую форму болезни, вариант болезни Крейтцфельдта-Якоба. В ответ Европейский Союз запретил скармливать животным, выращиваемым на фермах, практически все виды животного белка.

В то время никто не думал о насекомых, но сегодня регулирование сдерживает развитие, жалуется Антуан Юбер, французский ученый, соучредитель Ynsect, компании, которая стремится разводить насекомых для корма и других целей. По мнению Хьюберта, из-за того, что насекомые и млекопитающие настолько отдаленно связаны друг с другом, риск того, что прионы или другие патогены совершат прыжок, намного меньше, чем между млекопитающими.

В 2013 году Европейский Союз немного ослабил правила, разрешив использование животных белков в аквакультуре.Но есть одна проблема: животные, используемые в качестве корма для рыб, должны быть убиты на сертифицированной бойне в присутствии сотрудника службы социального обеспечения, а это правило явно не написано для личинок. В результате рыбные фермы теперь могут кормить своих животных куриными субпродуктами, но не насекомыми, хотя многие виды рыб в природе питаются насекомыми, но не курицей. «Это просто абсурд, — говорит Хьюберт.

Хьюберт сейчас лоббирует изменения в правилах через Международную платформу насекомых для пищевых продуктов и кормов, которую он основал в апреле вместе с представителями AgriProtein и компаний из Франции, Германии и Нидерландов.Европейская комиссия обращает на это внимание: также в апреле она попросила EFSA, свою организацию по контролю за пищевыми продуктами, изучить риски, связанные с использованием насекомых в продуктах питания и кормах. В итоговом отчете, опубликованном на прошлой неделе, в качестве одного из возможных рисков упоминается накопление химических веществ, таких как тяжелые металлы или мышьяк. В нем также обсуждаются инфекционные заболевания, но установлено, что риски не выше, чем при использовании других источников животного белка.

Мик Грант, фермер из Соединенного Королевства, уже давно выращивает личинок синей бутыли для рыболовов.

Кай Купфершмидт

Даже не известно, что у насекомых развиваются прионные заболевания, отмечается в отчете, и он соглашается с Хьюбертом в том, что любые бактерии или вирусы, наносящие вред насекомым, скорее всего, безвредны для человека. В докладе говорится, что насекомые могут улавливать болезнетворные микроорганизмы рыб, птиц или млекопитающих через свой рацион и пассивно распространять их, но есть способы уменьшить эти риски, такие как тщательный выбор источника пищи для насекомых.

Однако по многим вопросам информации просто не хватает. Есть сообщения об аллергических реакциях у людей, например, после поедания насекомых, и даже о случаях анафилактического шока. Но у сельскохозяйственных животных о таких аллергических реакциях никогда не сообщалось, хотя за ними следует следить, пишут авторы.

МАГГОТЫ МИККА ГРАНТА могут помочь найти больше ответов. В FERA ученые очистили личинок и исследовали их на наличие пестицидов, тяжелых металлов, а также следов антибиотиков и гормонов роста.«Все, что мы находим на ферме, может попасть в личинок и в нашу пищевую цепочку», — говорит Майкл Дикинсон, ученый из института. «Но пока мы не обнаружили никаких красных флажков». Теперь личинок скармливают свиньям и цыплятам в Бельгии. Рост животных, а также их здоровье и качество мяса сравнивают с животными, находящимися на стандартной диете. К концу года результаты этих испытаний должны быть доступны EFSA для учета.

Попадет ли мясо наркоманов на стол, будет частично зависеть от общественного признания — и Хьюбер опасается, что использование PROteINSECT навоза в качестве источника пищи не поможет.«Общественность не приемлет кормление насекомых навозом», — говорит Хьюберт. (Инсект, его собственная компания, использует только разрешенные в качестве корма побочные продукты пищевой промышленности.)

Мик Грант, со своей стороны, не видит проблем. Для него насекомые — это эффективность. «Если вы можете использовать отходы для производства чего-либо, это имеет больше смысла, чем что-либо еще, не так ли?»

границ | Управляемый событиями классификатор для импульсных нейронных сетей, питаемых данными датчиков синтетического или динамического зрения

1.Введение

Глубокое обучение и глубокие искусственные нейронные сети (LeCun et al., 2015; Schmidhuber, 2015) в настоящее время обладают высочайшей производительностью практически в любом тесте машинного обучения, начиная от компьютерного зрения, распознавания речи, обработки естественного языка и аудио. признание, чтобы назвать несколько, и в некоторых случаях они превзошли показатели распознавания человека (Schmidhuber, 2012; He et al., 2015). По этим причинам они были названы одной из революционных технологий нашего десятилетия (MIT Technology Review, 2013) и привлекли большое внимание как академических кругов, так и промышленности.Глубокое обучение позволяет извлекать иерархические признаки; с каждым дополнительным слоем сеть учится извлекать более абстрактные признаки, в то время как было доказано, что при увеличении количества уровней эффективность классификации улучшается (Хинтон и Салахутдинов, 2006). Огромное количество операций, требуемых этими современными глубокими нейронными сетями, запрещает их выполнение на платформах с ограниченными вычислительными и энергетическими ресурсами. В настоящее время их выполнение перенесено на кластеры удаленных компьютеров.Однако это приводит к дополнительным издержкам связи, что увеличивает общую задержку системы. Для некоторых приложений быстрое реагирование и низкое энергопотребление являются важными характеристиками, например, в мобильных платформах, роботизированных и критически важных системах.

Spiking Neural Networks (SNN) (Gerstner and Kistler, 2002) недавно оказались интересной альтернативой для моделирования крупномасштабных нейронных сетей (Izhikevich, Edelman, 2008; Ananthanarayanan et al., 2009; Eliasmith et al., 2012). SNN по своей природе асинхронны; так же, как и в биологии, нейроны с пиками общаются посредством стереотипных событий, часто называемых пиками. Каждый импульсный нейрон обновляет свое внутреннее состояние при получении входящего импульса и генерирует выходной сигнал всякий раз, когда его мембранное напряжение пересекает пороговое значение. Последние достижения в области нейроморфной инженерии (Mead, 1990) позволяют эмулировать SNN непосредственно на нейроморфном оборудовании в реальном времени (миллисекундные обновления) или в ускоренном режиме, с гораздо более высокой эффективностью с точки зрения мощности и скорости по сравнению с традиционными вычислительными платформами, несмотря на то, что требуются огромные накладные расходы на инфраструктуру связи.Например, современная нейроморфная платформа TrueNorth (Merolla et al., 2014) способна моделировать миллион нейронов с импульсами в реальном времени, потребляя при этом 63 мВт. Эквивалентная сеть, выполняемая на высокопроизводительной вычислительной платформе, была в 100–200 раз медленнее, чем в реальном времени, и потребляла в 100–300 000 раз больше энергии на одно синаптическое событие (Merolla et al., 2014). TrueNorth способен выполнять 46 миллиардов синаптических операций в секунду на ватт (Sops / W) при выполнении в реальном времени и 70 миллиардов Sops / W в 5 раз быстрее, чем в реальном времени (обновления 200 мкс).Дополнительным преимуществом моделирования SNN на нейроморфных платформах является то, что их событийная природа делает их более подходящими для использования с нейроморфным зрением и слуховыми датчиками с низким энергопотреблением, малой задержкой и высоким динамическим диапазоном (Lichtsteiner et al., 2008; Liu et al. ., 2010; Ленеро-Бардалло и др., 2011; Posch et al., 2011, 2014; Серрано-Готарредона, Линарес-Барранко, 2013).

Сети

были охарактеризованы как 3-е поколение искусственных нейронных сетей (ИНС), и, хотя они теоретически являются более мощными в вычислительном отношении, чем обычные непрерывные или основанные на скорости ИНС (Maass and Markram, 2004), им все еще не хватает успеха своих предшественников.Возможное объяснение этого — отсутствие сложных алгоритмов обучения, подобных тем, которые были разработаны для ИНС в течение последних десятилетий. Поскольку функции активации импульсных нейронов не дифференцируются (из-за порогового условия), SNN не могут напрямую использовать популярные методы обучения, используемые в ANN, такие как обратное распространение, которые требуют дифференцируемых функций. Чтобы решить эту проблему, исследовательские группы в настоящее время сосредотачиваются на двух разных путях: либо используют биологически правдоподобные правила неконтролируемого обучения, такие как пластичность, зависящая от времени всплеска (STDP) (Dan and Poo, 1992), чтобы извлекать особенности из входных данных (Masquelier and Thorpe, 2007; Бихлер и др., 2012; Neftci et al., 2014; Диль и Кук, 2015; Kheradpisheh et al., 2016), либо они следуют промежуточному этапу: нейронная сеть обучается в автономном режиме с использованием непрерывных / основанных на скорости моделей нейронов (ИНС) с современными контролируемыми алгоритмами обучения (LeCun et al., 1998; Hinton et al., 2006), а затем сопоставьте обученную сеть с SNN (Merolla et al., 2010; O’Connor et al., 2013; Pérez-Carrasco et al., 2013; Diehl et al., 2015). ), готовые к эффективному выполнению на нейроморфной платформе (Camuñas-Mesa et al., 2010; Артур и др., 2012; Furber et al., 2014; Merolla et al., 2014; Stromatias et al., 2015a).

Хотя современные результаты в задачах классификации с SNN основаны на последней методологии (Diehl et al., 2015; Rueckauer et al., 2016), существует ряд недостатков, которые обычно не устраняются. Одна из основных проблем заключается в том, что эти нейронные сети обучаются с использованием синтетических данных. То есть активность входных пиков, поступающих в SNN, генерируется искусственно из изображений кадров (например, MNIST), где уровень серого пикселя изображения математически преобразуется в поток пиков с использованием некоторого алгоритмического метода (например, популярного кодирования распределения Пуассона). .Это создает практические проблемы при переключении на несинтетические реальные входные данные, полученные с помощью кремниевой сетчатки с физическими импульсами, например нейроморфного датчика динамического зрения (DVS) (Lichtsteiner et al., 2008; Posch et al., 2011; Serrano-Gotarredona and Linares. -Барранко, 2013). В этом случае распределение во времени всплесков / событий, поступающих от этих датчиков, не является пуассоновским, и это приводит к тому, что SNN работает очень плохо с точки зрения точности классификации. Наш личный опыт показывает, что при отображении всей сети из ИНС в СНС потеря точности является низкой / разумной, если входные данные генерируются синтетически в виде распределений пиков Пуассона.Однако точность резко снижается, если входные данные в одну и ту же сеть заменяются реальными сенсорными данными, записанными с пиковых кремниевых сетчаток (например, N-MNIST, MNIST-DVS, Poker-DVS) (Orchard et al., 2015a; Serrano-Gotarredona and Linares -Барранко, 2015; Сото, 2017). Фактически, заявленная высокая точность работает по обучению всей сети во фрейм-домене и сопоставлению ее с доменом SNN всегда сообщает результаты с синтетическими данными (Merolla et al., 2010; O’Connor et al., 2013 ; Diehl et al., 2015)

.

С другой стороны, работа, представленная в последние годы, показала, что можно эффективно изучать функции с SNN, используя STDP (Masquelier and Thorpe, 2007; Bichler et al., 2012; Диль и Кук, 2015; Kheradpisheh et al., 2016) и другие неконтролируемые методы, такие как контрастная дивергенция на основе событий (CD) (Neftci et al., 2014, 2016). Преимущество использования STDP заключается в том, что он по своей сути учитывает временное распределение событий, поступающих от датчика DVS (Bichler et al., 2012; Roclin et al., 2013). Однако после извлечения функций SNN многие исследователи используют метод преобразования асинхронных событий SNN в кадры для ANN, чтобы обучить классификатор на основе кадров, такой как машина опорных векторов (SVM) (Kheradpisheh et al., 2016) или классификатора радиальной базисной функции (RBF) (Masquelier and Thorpe, 2007) и оцените, насколько «хороши» изученные функции спайковой области. Часто это преобразование осуществляется популяцией дырявых нейронов с интеграцией и запуском (LIF) с бесконечным порогом (Masquelier and Thorpe, 2007). Нейроны объединяют входные данные с предыдущих уровней, и когда поступает управляющий сигнал, они экспортируют свои внутренние состояния, и создается кадр. В практической системе SNN, например, при полном развертывании ее как компактного оборудования, крайне желательно, чтобы все этапы, включая классификатор, могли быть реализованы в области пиков.

Недавняя работа позволила успешно изучить прямое обучение в области пиков. Например, Ли и др. (2016) предложили метод, аналогичный обратному распространению, для прямого обучения многоуровневой SNN с полностью подключенной межуровневой связью. Они использовали настоящие записанные DVS (N-MNIST) входные сенсорные данные (Orchard et al., 2015a) и сообщили о лучшей на сегодняшний день точности с топологией FC (с полным подключением) и данными DVS (98,66%). Neftci et al. (2017) недавно предложили простое правило случайного обратного распространения ошибки, управляемое событиями, для быстрого изучения глубоких представлений, хотя они предоставляют результаты только для синтетических входных данных.

В этой статье мы представляем альтернативную методологию обучения только классификатора, основанного на событиях, под контролем. Этот классификатор на основе пиков можно использовать в качестве выходного слоя в любой SNN, которая уже извлекла признаки, например, с помощью STDP или другого неконтролируемого метода (Bichler et al., 2012; Roclin et al., 2013; Neftci et al., 2014). , 2016; Diehl and Cook, 2015; Kheradpisheh et al., 2016), или для точной настройки уже обученного SNN (O’Connor et al., 2013). Предлагаемый здесь метод основан на идее обучения в области кадра с последующим тестированием с помощью событий, но вместо обучения полной ИНС и последующего сопоставления ее с SNN он использует пиковые выходные активности SNN (предклассификатора) для создать новый набор данных на основе кадров, который фиксирует динамику всплесков.Эти чувствительные к SNN кадры затем используются для обучения полностью подключенного классификатора с использованием контролируемых алгоритмов обучения, таких как стохастический градиентный спуск (SGD) (Bottou, 2010) на новом наборе данных. После обучения основанный на кадрах классификатор ИНС отображается непосредственно на совокупность нейронов LIF, которая используется в качестве выходного уровня SNN. Преимущества этого метода заключаются в том, что его легко реализовать, используя популярные алгоритмы контролируемого обучения, он дает хорошую точность прогнозирования как для синтетических данных, так и для реальных данных DVS, и он может справиться с утечками нейронов с минимальными потерями в производительности классификации.Насколько нам известно, об этой методике обучения выходного слоя классификатора SNN ранее не сообщалось.

Эта статья структурирована следующим образом: В Разделе 2 обсуждаются наборы данных, используемые для этой работы, которые включают как данные, записанные с датчика DVS, так и синтетически сгенерированные последовательности спайков из статических изображений. Раздел 2.2 знакомит с симулятором SNN, используемым для этой работы. В разделе 2.3 описана топология нейронной сети, используемой для всех экспериментов. В разделе 2.4 представлена ​​модель нейрона и синапса.В разделе 2.5 описывается предлагаемый метод обучения классификатора контролируемым образом с использованием кадров и то, как преобразовать его обратно в SNN. В разделе 3 представлены результаты и, наконец, в разделе 4 представлены некоторые обсуждения и выводы.

2. Материалы и методы

2.1. Наборы данных

Для этой работы мы использовали два типа наборов данных с разными методами кодирования: наборы данных рукописных цифр MNIST и наборы данных колоды карт для игры в покер, записанные с помощью камер DVS.

Исходный набор данных MNIST (LeCun et al., 1998) состоит из 70 000 изображений 28 × 28 в оттенках серого, состоящих из рукописных цифр, из которых 60 000 цифр используются для обучения и 10 000 — для тестирования. В этой статье мы используем 4 варианта набора данных MNIST. Первые два преобразуют исходные статические изображения MNIST в искусственные последовательности всплесков, используя каждый из разных методов (Liu et al., 2016): (a) кодирование Пуассона и (b) кодирование интенсивности в задержку. Два других используют пики, записанные с датчика DVS, и известны как (c) MNIST-DVS (Серрано-Готарредона и Линарес-Барранко, 2015) и (d) N-MNIST (Neuromorphic MNIST) (Orchard et al., 2015а).

Наборы данных для покерных карт состоят либо из (д) просмотра на очень высокой скорости колоды покерных карт перед датчиком DVS (Серрано-Готарредона и Линарес-Барранко, 2015), либо (е) отображения печатных символов на бумаге для DVS (Сото, 2017). Далее мы кратко опишем различные наборы данных:

(a) Кодирование Пуассона MNIST . Это самый популярный метод преобразования статических изображений в цепочки шипов, который использовался в нескольких опубликованных работах (O’Connor et al., 2013; Diehl and Cook, 2015; Diehl et al., 2015; Rueckauer et al., 2016; Stromatias et al., 2015b). Каждый пиксель цифры MNIST преобразуется в последовательность всплесков Пуассона с частотой срабатывания, пропорциональной его интенсивности, в то время как скорости срабатывания всех пикселей масштабируются таким образом, чтобы общее количество всплесков входной совокупности было фиксированным для данной длительности стимула. Это проиллюстрировано на рисунке 1A, где максимальное количество выбросов на пиксель было установлено равным 15, общее количество всплесков — 1000, а длительность стимула — 255 мкм с .

(b) MNIST, кодирование интенсивности и задержки .В этом методе генерируется только один пик на пиксель в зависимости от его интенсивности (Masquelier and Thorpe, 2007; Kheradpisheh et al., 2016). Интенсивность пикселей линейно преобразуется в задержку события относительно общего эталонного момента (время «0» на рисунке 1). Пиксели с более высокой интенсивностью вызовут более ранний всплеск. Преимущество этого метода заключается в том, что, поскольку он дает только один всплеск на пиксель, теоретически он приведет к меньшей активности и более быстрому времени отклика, чем кодирование Пуассона. На рисунке 1B показан пример кодирования интенсивности в задержку, где максимальная интенсивность кодируется с помощью 0 пиков задержки, а нулевая интенсивность кодируется с пиками задержки 255 μ s .

(c) Набор данных MNIST-DVS . Набор данных MNIST-DVS является версией исходного набора данных MNIST, записанного с помощью датчика DVS (Серрано-Готарредона и Линарес-Барранко, 2015). Этот набор данных состоит из набора входного размера 128 × 128, состоящего из 30 000 записей камеры DVS. Каждая запись достигается путем отображения медленно движущегося символа из стандартной базы данных MNIST на ЖК-мониторе в течение примерно 2–3 с. Из-за размера записанных файлов было записано только 10 000 из исходных 70 000 символов, но каждый символ отображался в трех разных масштабах.Для этой работы использовались 10 000 образцов, записанных в более высоком масштабе (названном «Масштаб 16» в Серрано-Готарредона и Линарес-Барранко, 2015). Из них 8000 образцов были использованы для обучения, а оставшиеся 2000 образцов были использованы для тестирования. Набор данных MNIST-DVS включает несколько сценариев Matlab для необязательной предварительной обработки записанных событий. Эта предварительная обработка может устранить гармонику частоты обновления ЖК-экрана 75 Гц и / или стабилизировать движущуюся цифру. Для этой работы мы не использовали стабилизацию цифр, так как нас интересовало перемещение образцов.Кроме того, мы заметили, что удаление или отсутствие частоты обновления ЖК-экрана 75 Гц не имело никакого значения для распознавания (результаты были идентичными, независимо от того, была ли удалена эта гармоника).

(d) Набор данных N-MNIST . Набор данных N-MNIST имитирует биологические саккады для записи полного набора данных MNIST с помощью датчика DVS. Датчик DVS установлен на блоке панорамирования и наклона, указывающем на монитор, на котором отображаются цифры. Затем DVS подвергается 3 последовательным саккадам по 100 мс под 3 разными углами (по горизонтали, + 60 ° и -60 °).Таким образом, каждый отсчет соответствует 3 саккадам общей длительностью около 300 мс.

(e) Набор данных Fast-Poker-DVS . Набор данных Fast-Poker-DVS был создан путем просмотра колод покерных карт перед камерой DVS (Серрано-Готарредона и Линарес-Барранко, 2015). Каждая карта пересекала поле зрения примерно за 10–30 мс. Пункты покера отслеживались и выделялись в окне размером 32 × 32 пикселя. Набор данных содержит всего 131 символ. Другой вариант этого набора данных с 40 картами также использовался для сравнения с предыдущими работами (Pérez-Carrasco et al., 2013).

(f) Набор данных Slow-Poker-DVS . В этом наборе данных (Soto, 2017) записи были сделаны, когда человек держал символ покера перед DVS, перемещая его со «человеческой скоростью» (Soto, 2017). Целью этого набора данных было создание интерактивных демонстраций. Этот набор данных состоит из четырех различных записей датчика DVS продолжительностью около 3 минут каждая. Каждая запись соответствует символу покерной карты (клуб, ромб, сердце или пика). Чтобы создать набор данных для обучения и тестирования, записи были разделены на временные интервалы по 100 мс.В результате было получено 6 751 образец, 5 402 (80%) из которых были использованы для обучения и 1349 (20%) для тестирования.

Рис. 1. 2-мерные гистограммы и растровые графики для различных схем кодирования и наборов нейроморфных данных. (A) Пуассон 28 × 28 выборка входного размера. (B) Задержка 28 × 28 выборка входного размера. (C) MNIST-DVS 128 × 128 выборка входного размера. (D) N-MNIST Выборка входного размера 34 × 34. (E) Fast-Poker DVS 32 × 32 образец входного размера. (F) Slow-Poker DVS 128 × 128 выборка входного размера.

2.2. Симулятор нейронной сети Spiking

Для этой работы мы использовали M odular E с приводом от вентиляции G гребной A синхронный S имулятор (MegaSim) в качестве нашей основной платформы моделирования. MegaSim — это инструмент, предназначенный для моделирования поведения многомодульных аппаратных систем с представлением адреса-события (AER) (Mahowald, 1994), с упором на параметры производительности оборудования модулей (задержки обработки, квитирование и задержки связи, вариации параметров, шум , так далее.).

В MegaSim пользователь определяет список соединений из модулей , соединенных между собой посредством каналов AER (также называемых «узлами , »). Модули обрабатывают события, поступающие на их входные узлы AER, и генерируют выходные события на своих выходных узлах AER. Список соединений также содержит, по меньшей мере, один «узел источника », который предоставляет список событий с отметками времени (из записи DVS или созданных искусственно). Модули в MegaSim могут иметь произвольное количество портов ввода / вывода и могут быть либо совокупностями нейронов, либо алгоритмом, описанным на стандартном языке программирования C, либо их комбинациями.При запуске доступны только события в исходных узлах, которые помечены как « необработанные ». MegaSim просматривает все узлы, выбирает самое раннее необработанное событие, маркирует его как « обработано », вызывает модули, которые его получают, и выполняет соответствующую обработку в каждом модуле. Если модуль генерирует события на одном или нескольких своих выходных портах, они записываются на этих узлах с меткой времени, равной фактическому времени или равной некоторому будущему времени в случае, если модуль моделируется как имеющий некоторую задержку обработки, при этом помечая их как « необработанные .”Каждый раз, когда событие добавляется в список необработанных событий узла, все необработанные события повторно сортируются в соответствии с их отметками времени.

событий AER представлены с использованием 3 значений времени и параметров события n . Параметры события обычно равны 3 и имеют форму X, Y и полярности. Однако эти параметры могут быть любым целым числом со знаком, и пользователь решает, как модуль интерпретирует и обрабатывает их. Три параметра синхронизации включают в себя: предварительный запрос ( pre-Rqst ), который представляет время, когда событие создается внутри модуля, запрос ( Rqst ), который является временем, когда это событие фактически помещается в узел, и подтверждение ( Ack ), который является временем передачи сигнала подтверждения.Когда событие помещено в очередь в ссылке или узле, оно помечается как « необработанный », устанавливая для Rqst и Ack значение -1. Как только Rqst и Ack имеют положительное число, это означает, что они помечаются как « обработано, ».

Симуляция завершается установкой максимального времени симуляции или когда больше нет событий « необработанных ». Когда симуляция завершится, появится список обработанных событий с отметками времени для каждого узла в сети.Затем активность узлов можно визуализировать с помощью средства просмотра динамических событий, например jAER (Delbruck, 2013).

2.3. Сетевая архитектура

2.3.1. Сверточная нейронная сеть

Целью данной работы является обучение и использование эффективного событийно-ориентированного классификатора. Для классификатора требуется предыдущая подсистема извлечения признаков. Для этой работы мы использовали сверточную нейронную сеть Spiking для извлечения признаков перед обучением классификатора. Сверточные нейронные сети (ConvNets) (LeCun et al., 1998) — это многослойные нейронные сети с прямой связью, которые состоят из чередующихся слоев свертки и пространственной субдискретизации с нелинейностями между последующими слоями. Каждый сверточный слой структурирован в несколько «Карт функций», каждая из которых обнаруживает определенную функцию. ConvNets представляют три основных идеи: локальные рецептивные поля, общие веса и объединение.

Нейроны в сверточном слое связаны только с подобластью слоя перед ним (локальное рецептивное поле), а не со всеми пресинаптическими нейронами, как в полностью связанной сети.Внутри карты функций паттерн связности и синаптические веса локального рецептивного поля одинаковы для всех нейронов. Следовательно, синаптические веса разделяются всеми нейронами в одной и той же карте функций, и поэтому все нейроны будут обнаруживать одни и те же функции, но в разных местах на карте функций. Некоторые из преимуществ общих весов для каждой карты функций заключаются в том, что они значительно сокращают количество параметров обучения, что также снижает требования к памяти, а также приводит к ускорению процесса обучения по сравнению с полностью подключенными нейронными сетями (LeCun и другие., 1998).

Слой объединения периодически добавляется между последовательными сверточными слоями. Объединение действует как нелинейная понижающая выборка, которая уменьшает пространственный размер представления, вычисления для верхних уровней и, наконец, обеспечивает форму инвариантности трансляции. Для этой работы мы использовали субдискретизацию в качестве объединяющего слоя.

На рис. 2 показана топология Spiking Neural Network (SNN), которую мы использовали во всех наших экспериментах. Размер поля ввода ( n × n ) варьируется в зависимости от набора данных от 28 × 28 до 128 × 128.Входные данные подаются в однослойную ConvNet, состоящую из 18 карт функций (C1) размером ( n k + 1) × ( n k + 1) каждая с принимающим полем размера k × k (также называемое «сверточным ядром»), за которым следует уровень объединения подвыборки (S1).

Рисунок 2. Топология событийного Convnet, используемого для этой работы. Где n — размер входного слоя, k — размер ядра.

Таким образом, вывод этой однослойной ConvNet состоит из 18 × (( n k + 1) / 2) × (( n k + 1) / 2) нейронов, которые перегруппированы в одномерный вектор модулем Flatten. Выходы этого модуля Flatten обеспечивают входы для нашего полностью подключенного классификатора пиков. Например, для входного изображения 28 × 28 и размера сверточного ядра 7 × 7 выход этой однослойной ConvNet состоит из 2178 нейронов. 2178 выходов этого модуля полностью подключены ко всем выходным нейронам классификатора (по одному для каждого класса).

Однослойное извлечение признаков ConvNet всегда было запрограммировано с 18 ядрами Gabor Filter. Пример ядер фильтра Габора размером 7 × 7 показан на рисунке 3. Эти ядра были сгенерированы с использованием следующих уравнений

g (x, y, λ, θ, ψ, σ, γ) = exp (−x′2 + γ2 + y′2σy2) × cos (2ϕx′λ + ψ) (1) x ′ = xcosθ + ysinθ, y ′ = — xsinθ + ycosθ ′ (2)

где λ — длина волны синусоидального фактора, θ — ориентация нормали к параллельным полосам функции Габора в градусах, ψ — фазовый сдвиг, σ — ширина гауссианы, а γ — пространственное соотношение сторон. .Для 18 ядер мы использовали 9 ориентаций и 2 фазы. Параметры, использованные для создания двухмерных ядер Габора, показаны в таблице 1.

Рисунок 3. Предварительно вычисленные ядра габора 7 × 7, используемые для первого сверточного слоя.

Таблица 1. Параметры, используемые для создания 18 2D ядер Габора.

2.3.2. Полностью подключенная сеть

Чтобы продемонстрировать, что предлагаемую методологию можно использовать для точной настройки (оптимизации) производительности уже обученной SNN, мы использовали полностью подключенную сеть от O’Connor et al.(2013). Эта конкретная сеть состоит из двух скрытых слоев, каждый с 500 нейронами, как показано на рисунке 4, и была обучена на наборе данных MNIST с помощью алгоритма Contrastive Divergence (CD) (Hinton et al., 2006) с использованием нейронов Зигерта (Siegert, 1951). , которые являются приближениями моделей нейронов с интеграцией и запуском на основе скорости.

Сообщается, что эта сеть обеспечивает точность классификации 95,2% с использованием нейронов Зигерта (основанная на кадре ИНС) и 94,09% с нейронами LIF (O’Connor et al., 2013). Кроме того, этот SNN был тщательно исследован на предмет устойчивости к входному шуму и требованиям к разрешающей способности (Stromatias et al., 2015b) и был реализован на различных аппаратных платформах (Neil and Liu, 2014; Stromatias et al., 2015a) с помощью успех.

В этой статье мы собираемся удалить полностью связанный выходной слой и заменить его классификатором SNN, обученным с использованием методологии, описанной в следующих разделах.

2.4. Модель нейрона

Используемая модель нейрона чисто событийно-управляемая.Внутренние состояния нейронов, также называемые мембранными напряжениями, обновляются в ответ на входящее событие. Модель использует линейную утечку и дельта-дираковые (мгновенные) синапсы. Эта модель нейрона подробно описана Pérez-Carrasco et al. (2013), в то время как о аппаратной реализации этой модели сообщили Camunas-Mesa et al. (2011, 2012) и Серрано-Готарредона и др. (2015). Типичная временная эволюция напряжения мембраны нейрона В mi ( t ) показана на рисунке 5.Все нейроны в слое имеют одинаковые параметры MembReset (уровень покоя нейрона), TH плюс (положительный порог), TH минус (отрицательный порог) и скорость утечки. Скорость утечки может быть определена по-разному для V mi ( t )> MembReset и V mi ( t ) < MembReset . При отсутствии всплеска на входе мембранное напряжение В mi ( t ) подвержено только утечке,

dVmi (t) dt = −THplus − MembResetTLplus, если Vmi (t)> MembReset dVmi (t) dt = + MembReset − THminusTLminus, если Vmi (t) Рисунок 5. Эволюция и последовательность генерации импульсов для импульсного нейрона с линейной утечкой и рефрактерным периодом.

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

Yk (xi, W) = eWkxi∑jeWjxi (4)

, 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:

C = -1D∑i | D | ∑j | K | Ii (j) log (Yj (Xi, W)) (5)

, 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

yi = argmaxk {Yk (xi, W)} (7)
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.

7

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

Торговая стойка на открытом рынке ФРС Нью-Йорка (The Desk) уполномочена Федеральным комитетом по открытым рынкам (FOMC) проводить операции репо (репо) и операции обратного репо.Эти операции на открытом рынке поддерживают эффективную реализацию денежно-кредитной политики и бесперебойное функционирование рынка, помогая поддерживать процентную ставку по федеральным фондам (федеральным фондам) в пределах целевого диапазона FOMC.

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.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *