研究人员开发了现实生活中大脑神经网络的新模型

Cyber-Physical研究人员系统集团在南加州大学维特比工程学院与伊利诺伊大学香槟分校已经开发出一种新模型在大脑深处的信息可以从一个网络向另一个流动,随着时间的推移,这些神经元网络自优化集群。他们的工作被记录在论文“从定量相位成像数据破译的脑源性神经元培养的网络科学特征”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，并驳斥了现有的模型。他们的发现可以为生物启发的人工智能、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。

该团队检查了小鼠和大鼠大脑神经元网络的结构和进化，以确定连接模式。通讯作者和电子和计算机工程副教授保罗·博格丹通过解释如何把这个工作放在背景下大脑决策功能。他引用脑活动当有人被认为在数牌时，就会发生这种情况。他说，大脑可能并不是真的记住了所有的纸牌选项，而是“进行了一种不确定性模型”。他说，大脑从神经元的所有连接中获得了相当多的信息。

在这种情况下正在发生的动态聚类是使大脑能够衡量各种程度的不确定性，获得粗略的概率描述，并理解什么样的条件。

“我们观察到大脑的网络有一个非凡的能力减少延迟,最大化吞吐量和最大鲁棒性在一段时间内所有这些在一个分布式的方式(没有中央管理器或协调员)。“波格丹说把杰克Munushian早期职业生涯的椅子在明朝谢长廷工程系。“这意味着神经元网络之间相互协商和连接，以一种快速提高网络性能的方式相互连接，但连接规则是未知的。”

令Bogdan惊讶的是，神经科学所采用的任何一个经典数学模型都不能准确地复制这种动态的突发连接现象。利用多重分形分析和一种新型成像技术定量阶段想象(QPI)由Gabriel Popescu的电气和计算机工程教授伊利诺伊大学香槟分校的研究报告合著者,研究小组能够与高精度模型,分析这一现象。

健康应用

该研究的结果可能对早期检测脑肿瘤产生重大影响。通过具有更好的健康大脑和大脑活动的拓扑图来比较 - 早期检测到在各种认知任务中的神经元中的动态连接中的性能异常更容易，而不必做更多的侵入性程序。

Chnennhong Yin，Chnendhong Yin表示联合作用者。Bogdan网络物理系统组的学生，“癌症在小群体中传播，不能通过FMRI或其他扫描技术来检测，直到为时已晚。”

“但是通过这种方法，我们可以通过监测和发现神经元之间的异常微观相互作用来检测和甚至预测疾病。

研究人员现在正在寻求完善他们的算法和成像工具，用于监控这些复杂的神经元网络生活在生活大脑内。

这可能对帕金森症等疾病有额外的应用，这种疾病涉及到大脑左右半球之间的神经元连接的丧失。

“通过将一个成像设备在活着动物的大脑上，我们还可以监控和观察神经元网络的生长和萎缩，如果一种药物有效，最终如何学习如何。然后我们可以开始更好地设计人工神经网络就像大脑一样，它有自我优化的能力。”

用于人工智能

博格丹说:“有了这样的精确度，我们可以更清楚地了解生物大脑的内部工作方式，以及我们如何可能在人工大脑中复制这些。”

作为人类，我们有能力学习新任务而不忘记旧任务。然而，人工神经网络却面临着所谓的灾难性遗忘问题。当我们试着教一个机器人连续完成两个任务，比如爬楼梯和关灯时，我们就会看到这种情况。

机器人可能会覆盖允许它爬上楼梯的配置，因为它朝向执行第二任务的最佳状态，关闭光线。发生这种情况，因为深度学习系统依赖于大量的培训数据来掌握最简单的任务。

如果我们可以复制生物脑如何实现持续学习或我们的归纳推理的认知能力，Bogdan认为，我们可以教授A.I.多个任务而不会增加网络容量。

---

---