|
中國科學院自動化研究所攜手清華大學、北京大學等頂尖學府，共同宣布了一項重大科研成果：成功構(gòu)建了基于“內(nèi)生復雜性”的新型類腦網(wǎng)絡(luò)。這一突破性進展不僅為AI模型的優(yōu)化與性能提升提供了全新的解決方案，也為構(gòu)筑AI與神經(jīng)科學之間的橋梁奠定了堅實的基礎(chǔ)。 據(jù)中國科學院自動化研究所消息，該研究團隊由李國齊、徐波等科學家領(lǐng)銜，借鑒了大腦神經(jīng)元復雜動力學特性，創(chuàng)新性地提出了“基于內(nèi)生復雜性”的類腦神經(jīng)元模型構(gòu)建方法。該方法有效改善了傳統(tǒng)AI模型通過向外拓展規(guī)模導致的計算資源消耗問題，為有效利用神經(jīng)科學發(fā)展AI開辟了新路徑。相關(guān)研究成果已在線發(fā)表于國際頂級期刊《自然·計算科學》（Nature Computational Science）。 
研究團隊首先展示了脈沖神經(jīng)網(wǎng)絡(luò)神經(jīng)元LIF（Leaky Integrate and Fire）模型和HH（Hodgkin-Huxley）模型在動力學特性上的等效性，并進一步從理論上證明了HH神經(jīng)元可以與四個具有特定連接結(jié)構(gòu)的時變參數(shù)LIF神經(jīng)元（tv-LIF）在動力學特性上實現(xiàn)等效。基于這一發(fā)現(xiàn)，團隊通過設(shè)計微架構(gòu)提升計算單元的內(nèi)生復雜性，使得HH網(wǎng)絡(luò)模型能夠模擬更大規(guī)模LIF網(wǎng)絡(luò)模型的動力學特性，從而在更小的網(wǎng)絡(luò)架構(gòu)上實現(xiàn)相似的計算功能。 為了進一步簡化模型并驗證其有效性，研究團隊將由四個tv-LIF神經(jīng)元構(gòu)建的“HH模型”（tv-LIF2HH）簡化為s-LIF2HH模型，并通過仿真實驗驗證了這種簡化模型在捕捉復雜動力學行為方面的卓越性能。實驗結(jié)果表明，HH網(wǎng)絡(luò)模型和s-LIF2HH網(wǎng)絡(luò)模型在表示能力和魯棒性上均展現(xiàn)出相似的性能，驗證了內(nèi)生復雜性模型在處理復雜任務(wù)時的有效性和可靠性。尤為重要的是，HH網(wǎng)絡(luò)模型在計算資源消耗上更為高效，顯著減少了內(nèi)存和計算時間的使用，從而提高了整體的運算效率。 這一研究成果為將神經(jīng)科學的復雜動力學特性融入AI領(lǐng)域提供了新方法和理論支持，為實際應用中的AI模型優(yōu)化和性能提升提供了可行的解決方案。研究團隊通過信息瓶頸理論對上述研究結(jié)果進行了深入解釋，為未來的研究指明了方向。 目前，研究團隊已著手開展對更大規(guī)模HH網(wǎng)絡(luò)，以及具備更大內(nèi)生復雜性的多分支多房室神經(jīng)元的研究，旨在進一步提升大模型的計算效率與任務(wù)處理能力，推動研究成果在實際應用場景中的快速落地。這一系列工作不僅有望推動AI技術(shù)的革新，也將為神經(jīng)科學領(lǐng)域的研究帶來新的啟示。 |
