星形胶质细胞通过其神经胶质网络之间的信息共享来实现神经振荡的同步。Cr编辑:伊丽莎白·弗洛雷斯戈麦斯·默里。宾夕法尼亚州立大学的一组研究人员表示，对一种被称为星形胶质细胞的脑细胞如何工作以及如何在硬件设备的物理学中被模拟的更清楚的理解，可能会导致人工智能(AI)和机器学习，它们能够自主自我修复，并且比目前的技术消耗更少的能量。星形胶质细胞因其星形而得名，是一种神经胶质细胞，是大脑神经元的支持细胞。它们在记忆、学习、自我修复和同步等大脑功能中发挥着至关重要的作用。
电子工程和计算机科学助理教授阿比罗尔·森古普塔说:“这个项目源于最近在计算神经科学方面的观察，因为人们对大脑如何工作有了很多努力和理解，人们正试图修改简单的神经元-突触连接模型。“事实证明，大脑中还有第三种成分——星形胶质细胞，它构成了大脑细胞的重要组成部分，但它在机器学习和神经科学中的作用却被忽视了。”
与此同时，人工智能和机器学习领域正在经历一场热潮。根据分析公司Burning Glass Technologies的数据，到2025年，对人工智能和机器学习技能的需求预计将以71%的复合增长率增长。然而，随着这些技术的使用增加，人工智能和机器学习面临着挑战——它们消耗了大量的能量。
“人工智能和机器学习经常被低估的一个问题是这些系统的功耗，”森古普塔说。“例如，几年前，IBM试图模拟猫的大脑活动，结果消耗了大约几兆瓦的电力。如果我们只是扩展这个数字来模拟人类在我们现有的最好的超级计算机上的大脑活动，功耗甚至会超过兆瓦。”
所有这些功耗都是由于计算机处理中发生的开关、半导体和其他机械和电气过程的复杂舞蹈，当这些过程像人工智能和机器学习所要求的那样复杂时，这种舞蹈会大大增加。一个潜在的解决方案是神经形态计算，即模拟大脑功能的计算。研究人员对神经形态计算很感兴趣，因为人类大脑已经进化到使用比计算机少得多的能量来处理过程，所以模仿这些功能将使人工智能和机器学习成为一个更节能的过程。
另一个具有神经形态计算潜力的大脑功能是大脑如何自我修复受损的神经元和突触。
“星形胶质细胞在大脑的自我修复中起着非常关键的作用，”森古普塔说。“当我们试图想出这些新的设备结构时，我们试图形成一个原型人工神经形态硬件，这些都是以大量硬件级故障为特征的。因此，也许我们可以从基于星形胶质细胞如何导致大脑自我修复的计算神经科学中获得见解，并利用这些概念可能导致神经形态硬件的自我修复来修复这些故障。”
森古普塔的实验室主要研究自旋电子器件，这是一种通过旋转电子处理信息的电子形式。研究人员检查了这些设备的磁性结构，以及如何通过在设备的内在物理中模仿大脑的各种神经突触功能来使它们变成n型。
这项研究是一月份发表在《神经科学前沿》上的一项研究的一部分。这项研究反过来导致了最近发表在同一期刊上的研究。
森古普塔说:“当我们在之前的研究中开始研究自我修复的方面时，我们意识到星形胶质细胞也有助于时间信息结合。
时间信息绑定是大脑如何能够理解在不同时间发生的不同事件之间的关系，并将这些事件理解为一个序列，这是AI和机器学习的重要功能。森古普塔说:“事实证明，我们在之前的研究中使用的磁性结构可以通过各种耦合机制同步在一起，我们想探索如何让这些同步的磁性设备模拟星形胶质细胞诱导的相位耦合，超越之前仅在神经突触设备上的工作。“我们希望这些设备的内在物理特性能够模拟大脑中的星形胶质细胞相位耦合。”
为了更好地理解这是如何实现的，研究人员开发了神经科学模型，包括星形胶质细胞的模型，以了解星形胶质细胞功能的哪些方面与他们的研究最相关。他们还发展了潜在自旋电子器件的理论模型。
森古普塔说:“我们需要了解设备物理，这涉及到设备的大量理论建模，然后我们研究了如何开发一个端到端、跨学科的建模框架，包括从神经科学模型到算法再到设备物理的一切。
创造这种高能效和容错的“天文计算”可以为在智能手机等功耗受限的设备上完成更复杂的人工智能和机器学习工作打开大门。
森古普塔说:“人工智能和机器学习每天都在彻底改变我们周围的世界，从你的智能手机识别你的朋友和家人的照片，到机器学习对不同种类疾病的医学诊断的巨大影响，你都可以看到这一点。“与此同时，研究星形胶质细胞在神经形态计算中能够实现的自我修复和同步功能还处于起步阶段。这类组件有很多潜在的机会。”
与森古普塔一起，研究人员在1月份发表的第一篇论文《论STDP星形胶质细胞的自我修复作用——使无监督的神经网络成为可能》中，包括神经形态计算实验室的前研究实习生迈胡尔·拉斯特吉；卢森，计算机科学研究生研究助理；和电气工程研究生研究助理Nafiul Islam。与森古普塔一起，研究人员在10月发布的论文《自旋轨道扭矩振荡器神经元中星形胶质细胞诱导的神经相位同步的仿真》中，包括研究期间在宾夕法尼亚州立大学实习的乌蒙·加尔格和材料科学博士生·杨。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
