简化复杂的神经元模型加速了大脑的研究

神经元是大脑的基本单位，是自身复杂的计算机。它们在树状结构上接收输入信号 - 枝晶。这种结构不仅仅是收集输入信号：它集成并比较它们以找到对大脑中神经元角色重要的特殊组合。此外，神经元的树突有各种形状和形式，表明明显的神经元可能在大脑中具有单独的作用。

一个简单而可靠的模型

在神经科学中，历史上一直是模型对潜在的生物神经元的忠实性与其复杂性之间的权衡。神经科学家建造了许多不同类型的树枝状的详细计算模型。这些模型模拟了真实树突的行为到高精度。然而，权衡是这种模型非常复杂。因此，很难详尽地表征这些模型的所有可能的响应并在计算机上模拟它们。即使是最强大的计算机甚至只能在任何给定的大脑区域模拟一小部分神经元。

伯尔尼大学生理学系的研究人员长期以来一直试图理解树突在大脑进行的计算中所扮演的角色。一方面，他们从实验测量中构建了详细的树突模型，另一方面，他们构建了具有高度抽象树突的神经网络模型来学习诸如物体识别之类的计算。一项新的研究发现计算方法制作高度详细的神经元模型更简单，同时保留高度的忠诚度。这项工作从托马斯内维亚教授和沃尔特·塞纳教授的研究小组之间的实验和计算神经科学家之间的合作。由Willem Wybo博士领导。“我们希望该方法是灵活的，以便它可以应用于所有类型的树突。我们也希望它准确，以便忠实地捕捉任何给定的树突的最重要的功能。通过这些更简单的模型，神经Wybo博士解释说，可以更容易地表征和模拟大型神经元的大型神经元网络的仿真。

这种新方法利用了详细的树突模型和简化的树突模型的响应之间优雅的数学关系。由于该数学关系，优化的目标是简化模型参数的线性。“这种关键观察使我们能够使用众所周知的线性最小二乘法来找到优化的参数。与使用非线性参数搜索的方法相比，该方法非常有效，但也实现了高度的精度，”教授说。塞恩。

可用于AI应用程序的工具

这项工作的主要结果是方法论本身:一种灵活而准确的方法来构建简化的神经元模型实验数据和形态学重建。森恩教授解释说:“我们的方法打破了可信度和复杂性之间的权衡，证明了极其简化的模型仍然可以捕捉到真实生物神经元的许多重要反应特性。”“这也提供了对‘最基本的树突’，最简单的可能的树突的洞察模型仍然能捕捉到真正树突的所有可能的反应，”Wybo博士补充道。

因此，在特定的情况下，可以建立枝晶简化程度的硬边界，同时保留其重要的响应特性。“此外，我们的方法大大简化了直接从实验数据推导神经元模型的过程，”Senn教授强调，他也是伯尔尼大学人工智能中心(CAIM)指导委员会的成员。该方法已被编译为NEAT (NEural Analysis Toolkit)——一个自动化简化过程的开源软件工具箱。NEAT可以在GitHub上公开使用。

的神经元与他们的生物对应物相比，目前在AI应用中使用的是非常简单的，因为它们根本不包括枝形。神经科学家认为包括Dendrite的操作人工神经网络将引领人工智能技术的下一个飞跃。通过使包含非常简单，但非常准确德德里特神经网络的模型，这种新方法和工具包为该目标提供了重要的一步。

---

---