尖峰神经元网络中突触可塑性规则的人工进化。(A)由锥体细胞(橙色)和抑制性中间神经元(蓝色)组成的皮质微电路草图。刺激引起突触前和突触后细胞的动作电位，进而影响突触可塑性。(二)突触可塑性导致两个细胞之间的重量变化(δw)，这里用突触后电位振幅的变化来衡量。突触重量的变化可以用函数f来表示，除了尖峰时刻(tpre，tpost)之外，函数f还可以考虑额外的局部量，例如神经调节剂的浓度(ρ，A中的绿点)或突触后膜电位。(c)对于特定的实验设置，进化算法搜索代表最大化相应适应度函数ℱ.的函数ff的个体后代是通过修改亲代个体的基因组而产生的。进化算法的几次运行可以发现具有相似适应度的现象上不同的解(f0，f1，f2)。(四)单亲通过突变产生后代。例如，基因组的突变可以交换数学运算符，从而产生不同的功能f . Credit:DOI:10.7554/elife . 66273揭示通过突触可塑性学习的机制是理解我们的大脑如何运作和构建真正智能、适应性机器的关键一步。伯尔尼大学的研究人员提出了一种新的方法，算法模仿生物进化，并通过创造性进化有效学习。我们的大脑具有难以置信的适应性。每天，我们都会形成新的记忆，获得新的知识，或者提炼现有的技能。这与我们目前的计算机形成了鲜明的对比，目前的计算机通常只执行预编程的动作。我们适应性的核心是突触可塑性。突触是神经元之间的连接点，可以根据它们的使用方式以不同的方式变化。这种突触可塑性是神经科学的一个重要研究课题，因为它对学习过程和记忆至关重要。为了更好地理解这些大脑过程并构建适应性机器，神经科学和人工智能(AI)领域的研究人员正在为这些过程背后的机制创建模型。这种学习和可塑性模型有助于理解生物信息处理，也应该使机器能够更快地学习。
算法模仿生物进化
伯尔尼大学生理学研究所的研究人员在欧洲人脑项目中工作，现在已经开发了一种基于所谓进化算法的新方法。se计算机程序通过模仿生物进化的过程来寻找问题的解决方案，例如自然选择的概念。因此，描述生物体适应环境程度的生物适应度成为进化算法的模型。在这样的算法中，候选解的“适合度”是它解决底层问题的程度。
惊人的创造力
新开发的方法被称为“进化学习”(E2L)方法或“变得适应性”由海德堡大学伯南德基尔霍夫物理研究所生理学研究所的米海·彼得罗维奇博士领导的研究小组，用三种典型的学习场景来面对进化算法。首先，计算机必须检测连续输入流中的重复模式，而不接收关于其性能的反馈。在第二个场景中，当计算机以特定的期望方式运行时，它会收到虚拟奖励。最后，在“引导学习”的第三个场景中，计算机被精确地告知它的行为与期望的行为有多大的偏差。
“在所有这些场景中，进化算法都能够发现突触可塑性的机制，从而成功地解决了一项新任务，”伯尔尼大学生理学研究所的通讯和合著者雅各布·乔丹博士说。在这样做的过程中，算法展现了惊人的创造力:“例如，算法发现了一个新的可塑性模型，在这个模型中，我们定义的信号被组合起来形成一个新的信号。事实上，我们观察到使用这种新信号的网络比以前已知的规则学习得更快，”该研究的第一作者之一、东京RIKEN脑科学中心的马克西米利安·施密特博士强调。研究结果发表在《eLife》杂志上。
“我们认为E2L是一种有希望的方法，可以深入了解生物学习原理，并加速向强大的人工学习机器迈进，”米哈伊·彼得罗维奇说。“我们希望它将加速神经系统突触可塑性的研究，”雅各布·乔丹总结道。这些发现将为健康和患病的大脑如何工作提供新的见解。它们也可能为能更好地适应用户需求的智能机器的发展铺平道路。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
