开发能够像人脑一样高效地处理信息的机器一直是实现真正人工智能的长期研究目标。由 Mihai Petrovici 博士领导的海德堡大学和伯尔尼大学(瑞士)的跨学科研究小组正在借助受生物启发的人工神经网络解决这个问题。尖峰神经网络模仿自然神经系统的结构和功能，因为它们强大、快速且节能，是很有前途的候选者。一项关键挑战是如何训练如此复杂的系统。德国-瑞士研究团队现已开发并成功实施了一种实现此类训练的算法。
大脑中的神经细胞(或神经元)使用称为尖峰的短电脉冲传输信息。当超过某个刺激阈值时会触发这些尖峰。单个神经元产生这种尖峰的频率和各个尖峰的时间顺序对于信息交换都至关重要。“生物尖峰网络与人工神经网络的主要区别在于，因为它们使用基于尖峰的信息处理，所以它们可以以极高的能源效率解决复杂的任务，例如图像识别和分类，”博士生 Julian Göltz 说。 Petrovici 博士的研究小组。
人类大脑和结构相似的人工尖峰神经网络只有在各个神经元相互正确连接的情况下才能发挥其全部潜力。但是，如何调整受大脑启发(即神经形态)系统以正确处理尖峰输入?“这个问题对于开发基于生物模型的强大人工网络至关重要，”同时也是 Petrovici 博士研究团队成员的 Laura Kriener 强调说。需要特殊的算法来保证尖峰神经网络中的神经元在正确的时间触发。这些算法调整神经元之间的连接，以便网络可以执行所需的任务，例如对图像进行高精度分类。
Petrovici 博士指导下的团队开发了这样一种算法。“使用这种方法，我们可以训练尖峰神经网络以仅在单个尖峰中编码和传输信息。因此，它们特别快速有效地产生了所需的结果，”Julian Göltz 解释道。此外，研究人员成功地在物理平台上实现了一个用这种算法训练的神经网络——海德堡大学开发的 BrainScaleS-2 神经形态硬件平台。
据研究人员称，BrainScaleS 系统处理信息的速度比人脑快一千倍，并且比传统计算机系统需要的能量少得多。它是欧洲人脑计划的一部分，该计划将神经形态计算等技术集成到一个名为 EBRAINS 的开放平台中。“然而，我们的工作不仅对神经形态计算和受生物启发的硬件感兴趣。它还承认科学界需要将所谓的深度学习方法转移到神经科学，从而进一步揭开人脑的秘密，”Petrovici 博士强调说。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！