新型人工神经元：更贴近生物神经元的独立学习机制

新型人工神经元可独立学习且更贴近生物神经元。哥廷根大学生物网络动力学跨学科研究所（CIDBN）和马克斯·普朗克动力学与自组织研究所（MPI-DS）的研究团队已编程这些仿生神经元，并用其构建了人工神经网络。其独特之处在于，单个人工神经元能以自组织方式学习，并从网络中的直接环境中获取所需信息。研究成果发表在《美国国家科学院院刊》上。

　　

无论是人类大脑还是现代人工神经网络都极其强大。在最低层面上，神经元作为相对简单的计算单元协同工作。人工神经网络通常由若干层组成，每层包含多个神经元。输入信号通过这些层，并由人工神经元进行处理以提取相关信息。然而，传统的人工神经元在学习方式上与生物模型有很大不同。大多数人工神经网络依赖于网络之外的总体协调来学习，而生物神经元仅接收和处理来自网络中其附近其他神经元的信号。在灵活性和能源效率方面，生物神经网络仍然远远优于人工神经网络。

这种被称为“信息形态神经元”的新型人工神经元能够独立学习，并在相邻神经元之间实现自我组织。这意味着网络中的最小单元不再需要从外部进行控制，而是自行决定哪些输入是相关的，哪些是无关的。在开发信息形态神经元的过程中，该团队受到了大脑工作方式的启发，尤其是大脑皮层中的锥体细胞。这些细胞也会处理来自其周围环境的不同来源的刺激，并利用这些刺激来适应和学习。新的人工神经元追求非常普遍且易于理解的学习目标：“我们现在可以直接理解网络内部正在发生的事情，以及单个人工神经元是如何独立学习的”，CIDBN 的Marcel Graetz道。

通过定义学习目标，研究人员使神经元能够自行找到其特定的学习规则。该团队专注于每个单独神经元的学习过程。他们应用了一种新颖的信息理论度量来精确调整神经元是否应寻求与邻近神经元更多的冗余、协同合作，还是尝试在网络信息的特定部分实现专业化。“通过在输入的某些方面实现专业化并与邻近神经元协调，我们的信息同构神经元学会了如何为网络的整体任务做出贡献”，马克斯·普朗克动力学与自组织研究所的Valentin Neuhaus解释道。借助信息同构神经元，该团队不仅开发了一种新的机器学习方法，还为更好地理解大脑的学习过程做出了贡献。