编辑推荐：
在人工嗅觉系统中，从无规律输入学习相关特征颇具挑战。研究人员开展 “异构量化规整脉冲神经网络活动” 主题研究，发现异构量化可规整神经元活动、增强信息保留，为人工嗅觉系统发展提供新策略。
在人工智能飞速发展的今天，让机器像人类一样精准识别各种气味，是科研人员一直努力攻克的难题。在现实环境里，化学信号（如挥发性或溶解性分子，即气味分子或分析物）极为复杂，存在诸多棘手问题。一方面，这些信号易受不可预测的源混合和环境干扰影响；另一方面，其强度范围跨度极大，从十亿分之几的极低浓度到能使传感器饱和的高强度都有，而且化学感觉模态缺乏像视觉场景中空间邻近性或听觉样本中音调频率那样的内在结构 ，这使得人工化学传感器在采样和解释这些信号时困难重重。许多人工化学传感器技术，像金属氧化物气体传感器选择性差、导电聚合物传感器基于整体分子特性选择性有限，都限制了人工嗅觉系统的性能。因此，探索一种高效的信号调节机制，让人工嗅觉系统能在复杂环境中稳定、准确地识别气味，成为了科研领域亟待解决的关键问题。
为了突破这一困境，来自美国康奈尔大学（Cornell University）心理学系计算生理学实验室等机构的研究人员展开了深入研究。他们从生物嗅觉系统的架构和功能中获取灵感，提出了一种基于生物系统架构的数据盲神经形态信号调节策略。研究发现，异构量化（Heterogeneous quantization ）能够有效规整脉冲神经网络（Spiking neural network）的活动，通过将模拟数据归一化和量化为脉冲相位表示，把不受控制的感官输入转化为规则形式，同时最大限度减少信息损失。并且，通过自适应量化策略，可以在平衡活动规整和分辨率的同时动态优化资源利用。这一研究成果发表在《Scientific Reports》上，为人工嗅觉系统的发展开辟了新的方向，有望推动相关技术在环境监测、医疗诊断、食品安全检测等多个领域的实际应用 。
研究人员在开展研究时，运用了多种关键技术方法。首先是合成数据生成技术，通过设计亲和力矩阵（Affinity Matrix），生成模拟人工化学传感器动态范围和饱和问题的数据集，包括浓度数据集（Concentration Dataset）和饱和数据集（Saturation Dataset）。其次是构建特定的网络架构，模拟哺乳动物嗅球（olfactory bulb）的电路结构，结合模拟信号调节模块和脉冲表征学习模块进行研究。最后，利用支持向量机（SVM）分类器结合径向基函数（RBF）内核，对学习到的表征信息进行量化评估。
数据集属性和信号调节
研究人员生成了两个合成数据集，浓度数据集里传感器感受野平衡，但因分析物浓度或敏感性差异，各传感器响应水平不同；饱和数据集里初级传感器对分析物编码不佳，部分或多数传感器饱和 。原始传感器输出经归一化处理后，激活嗅球外部簇状（ET）细胞模拟神经元，再传递给主神经元（MCs）。然而，研究发现仅靠归一化不足以将感官输入规整为良好分布。
异构量化规整脉冲活动并减轻信息损失
研究人员测试在量化步骤中引入异构性，即改变同一列内 ET→MC 突触权重的异质性，是否有助于规整层利用。结果显示，异构 ET→MC 权重能产生更平衡的脉冲相位响应，相比同质权重，显著提高了分析物分类准确率，增强了下游脉冲层的信息保留能力 。
自适应量化联合优化分辨率和活动规整
考虑到测试环境统计信息若可预测，对异构量化方法进行数据感知校准可优化性能。研究人员引入自适应预训练校准步骤，根据校准集调整 ET→MC 权重的范围和密度。结果表明，在较低复制因子下，这种方法能提高系统的辨别能力，尽管会在一定程度上牺牲规整性，但在资源利用和信息保留之间实现了较好的平衡 。
研究表明，异构量化策略为解决人工嗅觉系统中信号处理难题提供了有效方案。通过异构 ET→MC 权重实现的增益多样化，能在最小化信息损失和资源消耗的同时，使下游层表示更广泛的动态范围信号 。自适应量化则进一步优化了系统在特定环境下的性能。这一研究不仅在理论上深化了对神经形态信号处理的理解，还为开发更高效、智能的人工嗅觉系统奠定了基础，有望在实际应用中发挥重要作用，提升相关领域的技术水平和应用效果。
