|
中國科學院自動化研究所攜手清華大學、北京大學等頂尖學府，共同宣布了一項重大科研成果：成功構建了基于“內生復雜性”的新型類腦網絡。這一突破性進展不僅為AI模型的優化與性能提升提供了全新的解決方案，也為構筑AI與神經科學之間的橋梁奠定了堅實的基礎。 據中國科學院自動化研究所消息，該研究團隊由李國齊、徐波等科學家領銜，借鑒了大腦神經元復雜動力學特性，創新性地提出了“基于內生復雜性”的類腦神經元模型構建方法。該方法有效改善了傳統AI模型通過向外拓展規模導致的計算資源消耗問題，為有效利用神經科學發展AI開辟了新路徑。相關研究成果已在線發表于國際頂級期刊《自然·計算科學》（Nature Computational Science）。 
研究團隊首先展示了脈沖神經網絡神經元LIF（Leaky Integrate and Fire）模型和HH（Hodgkin-Huxley）模型在動力學特性上的等效性，并進一步從理論上證明了HH神經元可以與四個具有特定連接結構的時變參數LIF神經元（tv-LIF）在動力學特性上實現等效。基于這一發現，團隊通過設計微架構提升計算單元的內生復雜性，使得HH網絡模型能夠模擬更大規模LIF網絡模型的動力學特性，從而在更小的網絡架構上實現相似的計算功能。 為了進一步簡化模型并驗證其有效性，研究團隊將由四個tv-LIF神經元構建的“HH模型”（tv-LIF2HH）簡化為s-LIF2HH模型，并通過仿真實驗驗證了這種簡化模型在捕捉復雜動力學行為方面的卓越性能。實驗結果表明，HH網絡模型和s-LIF2HH網絡模型在表示能力和魯棒性上均展現出相似的性能，驗證了內生復雜性模型在處理復雜任務時的有效性和可靠性。尤為重要的是，HH網絡模型在計算資源消耗上更為高效，顯著減少了內存和計算時間的使用，從而提高了整體的運算效率。 這一研究成果為將神經科學的復雜動力學特性融入AI領域提供了新方法和理論支持，為實際應用中的AI模型優化和性能提升提供了可行的解決方案。研究團隊通過信息瓶頸理論對上述研究結果進行了深入解釋，為未來的研究指明了方向。 目前，研究團隊已著手開展對更大規模HH網絡，以及具備更大內生復雜性的多分支多房室神經元的研究，旨在進一步提升大模型的計算效率與任務處理能力，推動研究成果在實際應用場景中的快速落地。這一系列工作不僅有望推動AI技術的革新，也將為神經科學領域的研究帶來新的啟示。 |
