可进化的神经单位可以模拟大脑的突触可塑性

机器学习技术旨在数学上模拟大脑中神经元和神经网络的功能和结构。然而，生物神经元非常复杂，这使得人工复制它们特别具有挑战性。

高丽大学的研究人员最近试图通过近似单个神经元和突触的功能来更有效地重现生物神经元的复杂性。他们的论文发表在《自然机器智能》上，介绍了一个可进化神经单元(ENU)网络，该网络可适应模拟特定神经元和突触可塑性的机制。

“我们的论文的灵感来自对生物神经元的复杂性的观察，以及事实上几乎不可能对自然界产生的所有复杂性进行数学建模的事实，”进行这项研究的研究人员之一保罗·贝滕斯(Paul Bertens)告诉TechXplore。“目前在深度学习中使用的人工神经网络在许多方面都非常强大，但是它们与生物学神经网络的行为并没有真正的匹配。我们的想法是使用这些现有的人工神经网络不是对整个大脑进行建模，而是对每个单独的神经元进行建模和突触。”

Bertens和他的同事Seong-Whan Lee开发的ENU基于人工神经网络(ANN)。然而，不是再现生物神经网络的整体结构，而是将这些ANN用于建模单个神经元和突触。

使用进化算法，对ENU的行为进行了编程以随时间变化。这些算法可以根据适者生存，随机突变和繁殖的概念模拟特定类型的进化过程。

贝滕斯解释说：“通过使用这种进化方法，有可能进化这些单位来执行非常复杂的信息处理，类似于生物神经元。” “大多数当前的神经元模型仅允许单个输出值(峰值或渐变电位)，并且在突触的情况下仅单个突触权重值。ENU的主要独特特征是它们可以输出多个值(向量)，这可以看出类似于大脑中的神经递质。”

神经递质，例如多巴胺和5-羟色胺，本质上是化学信号，可以在不同细胞之间传递信息，并通过突触传递。这些化学“信使”在许多大脑功能(包括学习和记忆)中起着关键作用。但是，人们对它们彼此交互的方式仍然知之甚少。

Bertens和Lee开发的ENU可以输出在ANN中起作用的值，就像神经递质在大脑中一样。与现有的预定义数学模型相比，该特征使他们能够学习更复杂的行为。

“我相信这项研究的最有意义的发现和结果表明，提出的ENU不仅可以执行与当前神经科学模型类似的数学运算，而且还可以演化为实质上执行任何对生存有利的行为，伯滕斯说。“这意味着，与当前手工设计的数学函数相比，每个神经元可以获得更复杂的函数。”

将来，由高丽大学的这些研究人员创建的ENU可以帮助创建更有效的生物启发式机器学习技术，从而更好地反映大脑的结构和功能。到目前为止，这些单元已用于开发机器学习代理，该代理可以在T迷宫环境中完成任务。尽管Bertens和Lee的研究仍处于初期阶段，但研究人员希望尽快使用其ENU来创建更大的网络，以解决更复杂的任务。

贝滕斯说：“大脑有数十亿个神经元和数万亿个突触，但目前只能有效地模拟少数ENU。” “因此，我们未来研究重点将是扩大我们的方法。”