可進化的神經單位可以模擬大腦的突觸可塑性

機器學習技術旨在數學上模擬大腦中神經元和神經網絡的功能和結構。然而，生物神經元非常復雜，這使得人工復制它們特別具有挑戰性。

高麗大學的研究人員最近試圖通過近似單個神經元和突觸的功能來更有效地重現生物神經元的復雜性。他們的論文發表在《自然機器智能》上，介紹了一個可進化神經單元(ENU)網絡，該網絡可適應模擬特定神經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元的復雜性的觀察，以及事實上幾乎不可能對自然界產生的所有復雜性進行數學建模的事實，”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網絡在許多方面都非常強大，但是它們與生物學神經網絡的行為并沒有真正的匹配。我們的想法是使用這些現有的人工神經網絡不是對整個大腦進行建模，而是對每個單獨的神經元進行建模和突觸。”

Bertens和他的同事Seong-Whan Lee開發的ENU基于人工神經網絡(ANN)。然而，不是再現生物神經網絡的整體結構，而是將這些ANN用于建模單個神經元和突觸。

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行非常復雜的信息處理，類似于生物神經元。” “大多數當前的神經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遞質。”

神經遞質，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開發的ENU可以輸出在ANN中起作用的值，就像神經遞質在大腦中一樣。與現有的預定義數學模型相比，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現和結果表明，提出的ENU不僅可以執行與當前神經科學模型類似的數學運算，而且還可以演化為實質上執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學函數相比，每個神經元可以獲得更復雜的函數。”

將來，由高麗大學的這些研究人員創建的ENU可以幫助創建更有效的生物啟發式機器學習技術，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機器學習代理，該代理可以在T迷宮環境中完成任務。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來創建更大的網絡，以解決更復雜的任務。

貝滕斯說：“大腦有數十億個神經元和數萬億個突觸，但目前只能有效地模擬少數ENU。” “因此，我們未來研究重點將是擴大我們的方法。”