一项新的研究表明,基于人脑连接的人工智能网络可以有效地执行认知任务。

通过检查来自大型开放科学资料库的核磁共振数据,研究人员重建了大脑连接模式,并将其应用于人工神经网络(ANN)。人工神经网络是一个由多个输入和输出单元组成的计算系统,很像生物大脑。来自蒙特利尔神经研究所和魁北克人工智能研究所的一组研究人员训练神经网络执行认知记忆任务,并观察它如何完成任务。

这种方法的独特性从两个方面来说。之前关于大脑连接的研究,也被称为连接组学,专注于描述大脑组织,而没有观察它实际上是如何执行计算和功能的。其次,传统的人工神经网络具有任意的结构,不能反映真实的大脑网络是如何组织的。通过将脑连接学整合到人工神经网络架构的构建中,研究人员希望既能了解大脑的连接如何支持特定的认知技能,又能为人工网络推导出新的设计原则。

他们发现,与人类大脑相连的神经网络,即神经形态神经网络,在执行认知记忆任务时比其他基准架构更灵活、更有效。神经形态神经网络能够使用相同的底层架构来支持跨多种环境的广泛学习能力。

“该项目结合了两个充满活力和快速发展的科学学科,”该论文的资深作者Bratislav Misic说,“神经科学和人工智能有着共同的根源,但最近出现了分歧。使用人工网络将帮助我们理解大脑结构是如何支持大脑功能的。反过来,利用经验数据构建神经网络将揭示构建更好的人工智能的设计原则。因此,这两者将有助于相互了解,并丰富我们对大脑的理解。”

这项研究发表在8月9日的Nature杂志上。

原文标题:

Learning function from structure in neuromorphic networks

DOI 10.1038 / s42256 - 021 - 00376 - 1