南加州大学维特比工程学院网络物理系统小组的研究人员与伊利诺伊大学厄巴纳-香槟分校合作开发了一种新模型，用于研究大脑深处的信息如何从一个网络流动到另一个网络以及这些网络如何流动。神经网络簇随着时间的推移进行自我优化。他们的工作记录在论文《从定量相位成像数据中解读的脑源性神经元培养物的网络科学特征》中，被认为是第一个在体外神经元网络中观察这种自我优化现象的研究，并与现有模型相反。他们的发现可以为受生物学启发的人工智能、脑癌检测和诊断开辟新的研究方向，并可能有助于或启发新的帕金森氏症治疗策略。
研究小组检查了小鼠和大鼠大脑中神经元网络的结构和进化，以确定连接模式。通讯作者、电气与计算工程副教授 Paul Bogdan 通过解释大脑如何在决策中发挥作用，将这项工作置于背景中。他提到了当某人被认为在数牌时发生的大脑活动。他说，大脑实际上可能并没有记住所有的卡片选项，而是“进行一种不确定性模型”。他说，大脑正在从神经元的所有连接中获取大量信息。
在这种情况下发生的动态聚类使大脑能够衡量不同程度的不确定性，获得粗略的概率描述并了解哪种情况的可能性较小。
“我们观察到，大脑网络具有非凡的能力，可以最大限度地减少延迟、最大化吞吐量和最大化鲁棒性，同时以分布式方式(无需中央管理器或协调器)完成所有这些工作。”谢明谢电气工程系 Jack Munushian 早期职业主席的 Bogdan 说道。“这意味着神经网络相互协商并以一种快速增强网络性能但连接规则未知的方式相互连接。”
令博格丹惊讶的是，神经科学所采用的经典数学模型都无法准确复制这种动态的新兴连接现象。使用多重分形分析和一种名为定量相位成像(QPI)的新型成像技术，该技术由该研究的合著者、伊利诺伊大学厄巴纳-香槟分校电气和计算机工程教授 Gabriel Popescu 开发，研究小组能够高精度地建模和分析这种现象。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！