00:00 / 02:10
连播
清屏
智能
倍速
点赞21
用生物神经网络学习时间模式的研究 研究背景: 我们的脑和计算机有点像:都能处理信息。大脑里的神经元互相连接,能形成复杂的信号模式,比如控制肌肉动作。科学家想知道:我们能不能用生物神经网络(BNN)来学习和产生复杂的时间信号,就像机器学习中的“循环神经网络(RNN)”一样。 实验方法 1.制作神经网络: 科学家从大鼠大脑取神经元,放在一个特别的芯片上。为了防止神经元全部乱连在一起,他们用一种叫微流控装置的工具,把神经元分成小模块,并用微小通道连接起来。 “格子型网络”:模块间连接比较均匀 “分层型网络”:模块间连接不均匀,更复杂 “均匀网络”:没有特殊分组,神经元随意连接(作为对照组) 2.记录和控制神经活动: 芯片上有上万根微电极,可以实时记录神经元发放的电信号(叫“尖峰”)。通过电脑,科学家可以把这些信号处理成连续的输出,然后再把反馈信号送回网络,形成闭环控制。 3.训练神经网络: 使用一种叫FORCE学习的方法,让网络学会产生特定的时间信号,比如: 正弦波(像波浪一样的周期信号) 三角波、方波(形状不同的周期信号) 复杂混乱的信号(Lorenz吸引子,是自然界常见的混沌模式) 实验结果 1.网络活动差异: 均匀网络的神经元几乎同时爆发,太同步,难以学习复杂信号 模块化网络(格子型和分层型)的神经元活动更分散、更复杂,容易训练出特定的输出 2.学习周期性信号: 格子型网络表现最好,可以产生不同频率的波形 分层型网络也可以,但效果稍差 均匀网络几乎学不会快频率信号 3.学习混沌信号: 模块化网络可以学习Lorenz吸引子的主要模式 学到的信号在低幅度部分最准确,高幅度部分不太精准 停止训练后,网络仍能产生混沌振荡,但会逐渐偏离目标 主要结论 生物神经网络在闭环控制下可以学习复杂时间模式 模块化的连接结构比均匀结构更适合学习 这项技术可以帮助理解大脑如何把混乱的神经活动转化成有序动作 未来可能应用于脑机接口、类脑计算机,甚至替代部分高耗能的硬件计算 用简单比喻理解 想象你的神经网络像一群小乐队成员: 如果大家随便演奏(均匀网络),音乐听起来混乱 如果乐队分成小组,每组有协调方式(模块化网络),再加上指挥(闭环控制和FORCE学习),就能演奏出复杂又有规律的音乐(时间信号) #热点 #AI #科技
00:00 / 01:56
连播
清屏
智能
倍速
点赞2
00:00 / 03:29
连播
清屏
智能
倍速
点赞29
00:00 / 03:11
连播
清屏
智能
倍速
点赞26
00:00 / 03:07
连播
清屏
智能
倍速
点赞10
00:00 / 00:47
连播
清屏
智能
倍速
点赞142