機器學習技術旨在數(shù)學上模擬大腦中神經(jīng)元和神經(jīng)網(wǎng)絡的功能和結構。然而，生物神經(jīng)元非常復雜，這使得人工復制它們特別具有挑戰(zhàn)性。高麗大學的研究人員最近試圖通過近似單個神經(jīng)元和突觸的功能來更有效地重現(xiàn)生物神經(jīng)元的復雜性。他們的論文發(fā)表在《自然機器智能》上，介紹了一個可進化神經(jīng)單元(ENU)網(wǎng)絡，該網(wǎng)絡可適應模擬特定神經(jīng)元和突觸可塑性的機制。

“我們的論文的靈感來自對生物神經(jīng)元的復雜性的觀察，以及事實上幾乎不可能對自然界產(chǎn)生的所有復雜性進行數(shù)學建模的事實，”進行這項研究的研究人員之一保羅·貝滕斯(Paul Bertens)告訴TechXplore。“目前在深度學習中使用的人工神經(jīng)網(wǎng)絡在許多方面都非常強大，但是它們與生物學神經(jīng)網(wǎng)絡的行為并沒有真正的匹配。我們的想法是使用這些現(xiàn)有的人工神經(jīng)網(wǎng)絡不是對整個大腦進行建模，而是對每個單獨的神經(jīng)元進行建模和突觸。”

Bertens和他的同事Seong-Whan Lee開發(fā)的ENU基于人工神經(jīng)網(wǎng)絡(ANN)。然而，不是再現(xiàn)生物神經(jīng)網(wǎng)絡的整體結構，而是將這些ANN用于建模單個神經(jīng)元和突觸。

使用進化算法，對ENU的行為進行了編程以隨時間變化。這些算法可以根據(jù)適者生存，隨機突變和繁殖的概念模擬特定類型的進化過程。

貝滕斯解釋說：“通過使用這種進化方法，有可能進化這些單位來執(zhí)行非常復雜的信息處理，類似于生物神經(jīng)元。” “大多數(shù)當前的神經(jīng)元模型僅允許單個輸出值(峰值或漸變電位)，并且在突觸的情況下僅單個突觸權重值。ENU的主要獨特特征是它們可以輸出多個值(向量)，這可以看出類似于大腦中的神經(jīng)遞質。”

神經(jīng)遞質，例如多巴胺和5-羥色胺，本質上是化學信號，可以在不同細胞之間傳遞信息，并通過突觸傳遞。這些化學“信使”在許多大腦功能(包括學習和記憶)中起著關鍵作用。但是，人們對它們彼此交互的方式仍然知之甚少。

Bertens和Lee開發(fā)的ENU可以輸出在ANN中起作用的值，就像神經(jīng)遞質在大腦中一樣。與現(xiàn)有的預定義數(shù)學模型相比，該特征使他們能夠學習更復雜的行為。

“我相信這項研究的最有意義的發(fā)現(xiàn)和結果表明，提出的ENU不僅可以執(zhí)行與當前神經(jīng)科學模型類似的數(shù)學運算，而且還可以演化為實質上執(zhí)行任何對生存有利的行為，伯滕斯說。“這意味著，與當前手工設計的數(shù)學函數(shù)相比，每個神經(jīng)元可以獲得更復雜的函數(shù)。”

將來，由高麗大學的這些研究人員創(chuàng)建的ENU可以幫助創(chuàng)建更有效的生物啟發(fā)式機器學習技術，從而更好地反映大腦的結構和功能。到目前為止，這些單元已用于開發(fā)機器學習代理，該代理可以在T迷宮環(huán)境中完成任務。盡管Bertens和Lee的研究仍處于初期階段，但研究人員希望盡快使用其ENU來創(chuàng)建更大的網(wǎng)絡，以解決更復雜的任務。

貝滕斯說：“大腦有數(shù)十億個神經(jīng)元和數(shù)萬億個突觸，但目前只能有效地模擬少數(shù)ENU。” “因此，我們未來研究重點將是擴大我們的方法。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！