【儀表網(wǎng) 研發(fā)快訊】構(gòu)建更加通用的人工智能，讓模型具有更加廣泛和通用的認(rèn)知能力，是當(dāng)前人工智能(AI)領(lǐng)域發(fā)展的重要目標(biāo)。目前流行的大模型路徑是基于Scaling Law(尺度定律)去構(gòu)建更大、更深和更寬的神經(jīng)網(wǎng)絡(luò)，可稱之為“基于外生復(fù)雜性”的通用智能實現(xiàn)方法。這一路徑面臨著計算資源及能源消耗難以為繼、可解釋性不足等問題。中國科學(xué)院自動化研究所李國齊、徐波研究團(tuán)隊聯(lián)合清華大學(xué)、北京大學(xué)等借鑒大腦神經(jīng)元復(fù)雜動力學(xué)特性，提出了“基于內(nèi)生復(fù)雜性”的類腦神經(jīng)元模型構(gòu)建方法，改善了傳統(tǒng)模型通過向外拓展規(guī)模帶來的計算資源消耗問題，為有效利用神經(jīng)科學(xué)發(fā)展人工智能提供了示例。
本研究首先展示了脈沖神經(jīng)網(wǎng)絡(luò)神經(jīng)元LIF(Leaky Integrate and Fire)模型和HH(Hodgkin-Huxley)模型[1]在動力學(xué)特性上存在等效性，進(jìn)一步從理論上證明了HH神經(jīng)元可以和四個具有特定連接結(jié)構(gòu)的時變參數(shù)LIF神經(jīng)元(tv-LIF)動力學(xué)特性等效。基于這種等效性，團(tuán)隊通過設(shè)計微架構(gòu)提升計算單元的內(nèi)生復(fù)雜性，使HH網(wǎng)絡(luò)模型能夠模擬更大規(guī)模LIF網(wǎng)絡(luò)模型的動力學(xué)特性，在更小的網(wǎng)絡(luò)架構(gòu)上實現(xiàn)與之相似的計算功能。進(jìn)一步，團(tuán)隊將由四個tv-LIF神經(jīng)元構(gòu)建的“HH模型”(tv-LIF2HH)簡化為s-LIF2HH模型，通過仿真實驗驗證了這種簡化模型在捕捉復(fù)雜動力學(xué)行為方面的有效性。
實驗結(jié)果表明HH網(wǎng)絡(luò)模型和s-LIF2HH網(wǎng)絡(luò)模型在表示能力和魯棒性上具有相似的性能，驗證了內(nèi)生復(fù)雜性模型在處理復(fù)雜任務(wù)時的有效性和可靠性。同時，研究發(fā)現(xiàn)HH網(wǎng)絡(luò)模型在計算資源消耗上更為高效，顯著減少了內(nèi)存和計算時間的使用，從而提高了整體的運(yùn)算效率。研究團(tuán)隊通過信息瓶頸理論對上述研究結(jié)果進(jìn)行了解釋。
本研究為將神經(jīng)科學(xué)的復(fù)雜動力學(xué)特性融入人工智能，為構(gòu)筑人工智能與神經(jīng)科學(xué)的橋梁提供了新的方法和理論支持，為實際應(yīng)用中的AI模型優(yōu)化和性能提升提供了可行的解決方案。目前，研究團(tuán)隊已開展對更大規(guī)模HH網(wǎng)絡(luò)，以及具備更大內(nèi)生復(fù)雜性的多分支多房室神經(jīng)元的研究，有望進(jìn)一步提升大模型計算效率與任務(wù)處理能力，實現(xiàn)在實際應(yīng)用場景中的快速落地。
該工作發(fā)表在《Nature Computational Science》，共同通訊作者是中國科學(xué)院自動化所李國齊研究員、徐波研究員，北京大學(xué)田永鴻教授。共同一作是清華大學(xué)錢學(xué)森班的本科生何林軒(自動化所實習(xí)生)，數(shù)理基科班本科生徐蘊(yùn)輝(自動化所實習(xí)生)，清華大學(xué)精儀系博士生何煒華和林逸晗。
[1] HH神經(jīng)元模型，全稱為Hodgkin-Huxley模型，由英國生理學(xué)家Alan Hodgkin和Andrew Huxley在1952年基于魷魚巨型軸突的電生理實驗數(shù)據(jù)提出，用以描述神經(jīng)脈沖的產(chǎn)生和傳導(dǎo)，并因此獲得了1963年的諾貝爾醫(yī)學(xué)或生理學(xué)獎。該模型是一組描述神經(jīng)元細(xì)胞膜電生理現(xiàn)象的非線性微分方程，直接反映了細(xì)胞膜上離子通道的開閉情況及其與膜電位變化之間的關(guān)系。HH模型是神經(jīng)科學(xué)領(lǐng)域中的一個重要里程碑，它首次從分子水平上解釋了動作電位的產(chǎn)生機(jī)制，為后續(xù)神經(jīng)元電生理研究奠定了基礎(chǔ)。
所有評論僅代表網(wǎng)友意見，與本站立場無關(guān)。