多尺度神经可塑性调制机制启发的类脑连续学习 #可塑性

-loading-

听音频 🔊 . 看视频 🎦

... 2023-08-28 22:50 .. 、局部时序依赖可塑性（SpikeTiming-DependentPlasticity,STDP）等多尺度神经可塑性机制，整合得到一种基于神经调制依赖可塑性的新型类脑学习方法（Neuromodulation-AssistedCreditAssignment，NACA）。
该方法参考了大脑中复杂的神经调制通路结构，并以期望矩阵编码的形式对神经调制通路构建数学模型（图2A），在接受刺激信号后产生不同浓度的多巴胺监督信号并进一步影响局部突触和神经元可塑性类型（图2B）。
NACA支持采用纯前馈的流式学习方法训练脉冲（SpikingNeuralNetwork,SNN）和人工（ArtificialNeuralNetwork,ANN）神经网络（图2D,E），通过全局多巴胺的弥散支持与输入信号同步，甚至先于输入信号的正向信息传播，再加上选择性的对STDP的调整，使得NACA表现 .. UfqiNews ↓ 16

...这与人脑神经网络的基本组成和结构密切相关：人脑中有860亿个神经元，相当于银河系天体的数量，并通过150万亿个神经突触互联构成了空间复杂的神经网络；同时人脑的神经树突等组织进一步使神经计算功能复杂化.
    人脑的这些神经组织包含了多样化的离子通道，具备非常丰富的动力学行为，特征时间尺度也跨越几个数量级，这是人脑智能的物理基础.
    相对应的，计算机基本的组成单元是电子晶体管，其工作在准静态的0和1编码状态下，与人脑的丰富动力学相距甚远.
    因此，类脑计算的实现，其中一个关键就是发现神经形态器件.
    它们可以模拟人脑中神经元、神经突触、神经树突的功能，具有更贴近神经组织行为的物理机制，从而可以实现传统电子晶体管所不能实现的诸多类神经功能.
    基于神经形态器件的类脑计算快速发展神经科学的研究发现，神经元之间的神经突触连接强度的可调性，是大脑学习和记忆功能的基础之一.
    由过往经历引起的神经.. 12-21 21:20 ↓ 12

...人工神经网络由于采用反向传播（BP）等人工学习方法，可能会导致人工智能系统在学习新任务或适应新环境时，丧失了以前习得的一些能力，这种现象被称为“灾难性遗忘”，会对人工智能系统稳定运行产生不利影响.
    为此，人工智能迫切需要借鉴生物系统中的微观、介观、宏观等多尺度神经可塑性融合计算机制.
    据介绍，生物系统中常见的多巴胺、血清素等神经调质物，往往经由特定的腺体释放，并远程弥散、投射到一定范围内的目标神经元群体，且根据调质浓度水平的不同，对局部的神经元可塑性、突触可塑性等产生多种复杂的调制影响.
    此项研究中，科研团队在上述生物神经调制机制的启发下，整合得到NACA.
    科研团队随后在典型的图片和语音模式识别任务中对该新型类脑学习方法进行了评估，评估结果显示，其与传统算法相比，具有更低的能耗，且可以极大地缓解“灾难性遗忘”问题.
    “该新型类脑学习方法是一类生物合理的全局优化算法，.. 09-01 20:50 ↓ 12 ..UfqiNews