减少复杂神经元模型的NEAT加速大脑研究

神经元是大脑的基本单元，本身就是复杂的计算机。它们在树状结构-树突上接收输入信号。这种结构不仅可以简单地收集输入信号，它还可以对输入信号进行积分和比较，以找到对神经元在大脑中的作用至关重要的特殊组合。此外，神经元的树突有多种形状和形式，表明不同的神经元可能在大脑中具有不同的作用。

一个简单而忠实的模型

在神经科学中，历史上一直在模型对基础生物神经元的忠诚度与复杂性之间进行权衡。神经科学家已经构建了许多不同类型树突的详细计算模型。这些模型以高精确度模拟真实树突的行为。但是，权衡是这种模型非常复杂。因此，很难详尽地描述此类模型的所有可能响应并在计算机上对其进行仿真。即使是功能最强大的计算机，也只能在任何给定的大脑区域中模拟一小部分神经元。

伯尔尼大学生理学系的研究人员长期以来一直试图了解树突在大脑进行的计算中的作用。一方面，他们从实验测量结果构建了详细的树突模型，另一方面，他们构建了具有高度抽象树突的神经网络模型，以学习诸如对象识别之类的计算。一项新的研究着手寻找一种计算方法，以简化高度详细的神经元模型，同时又保持高度的忠诚度。这项工作是由Thomas Nevian教授和Walter Senn教授的研究组的实验和计算神经科学家合作完成的，由Willem Wybo博士领导。“我们希望该方法具有灵活性，以便可以应用于所有类型的树突。我们还希望它是准确的，以便它可以忠实地捕获任何给定枝晶的最重要功能。使用这些更简单的模型，可以更轻松地表征神经反应，并可以模拟带有树突的大型神经元网络。” Wybo博士解释说。

这种新方法利用了详细枝晶模型和简化枝晶模型之间的数学关系。由于这种数学关系，被优化的目标在简化模型的参数中是线性的。教授说：“这一重要发现使我们能够使用众所周知的线性最小二乘法来找到优化的参数。与使用非线性参数搜索的方法相比，该方法非常有效，但也达到了很高的准确性。”森恩

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！