人工神经元在自组织网络中独立学习

快速阅读: 《News-Medical.Net》消息，研究团队开发出能独立学习的新型人工神经元——“形态神经元”，其灵感源于大脑锥体细胞。这种神经元无需外部控制即可自主学习，有助于提升人工网络的灵活性与效率，同时增进对大脑学习机制的理解。

马克斯·普朗克动力学与自组织研究所
2025年3月28日

新型人工神经元能够独立学习，并且更接近其生物原型。来自哥廷根大学生物网络动态校园研究所（CIDBN）和马克斯·普朗克动力学与自组织研究所（MPI-DS）的研究团队设计了被称为“形态神经元”的这些人工神经元，并构建了基于它们的人工神经网络。其特殊之处在于，单个人工神经元能够以自我组织的方式学习，并从网络的直接环境中获取所需信息。研究成果发表在《美国国家科学院院刊》上。

人类大脑和现代人工神经网络都极其强大。在最低层级，神经元作为相对简单的计算单元协同工作。一个人工神经网络通常由多层个体神经元组成。输入信号通过这些层传递，并由人工神经元处理，以提取相关信息。然而，传统人工神经元在学习方式上与生物模型存在显著差异。大多数人工神经网络依赖外部协调来学习，而生物神经元仅接收并处理来自其附近其他神经元的信号。在灵活性和能效上，生物神经网络仍远超人工神经网络。

新开发的人工神经元，即所谓的“形态神经元”，能够在邻近神经元中实现独立且自我组织的学习。这意味着网络中的最小单元不再需要外部控制，而是自行判断哪些输入相关，哪些不相关。在开发“形态神经元”时，研究团队受到大脑运作方式的启发，尤其是大脑皮层中的锥体细胞。这些细胞也处理来自周围环境的不同刺激，并利用这些刺激进行适应和学习。“我们现在可以直接了解网络内部发生了什么，以及每个单独的人工神经元如何独立学习。”CIDBN的马塞尔·格雷茨强调道。

相关故事
基因疗法突破为重度Dravet综合征患者带来希望
脑肠微生物轴：对心理健康的潜在影响及治疗路径
免疫细胞和神经元如何悄然影响大脑健康、行为及疾病

通过设定学习目标，研究人员使神经元能够自主确定自身的特定学习规则。研究团队聚焦于每个神经元个体的学习过程。他们采用了一种新的信息论衡量方法，精确调整神经元是否应与邻居寻求更多冗余、协同合作或尝试专精于网络信息的某一部分。“通过专注于输入的某些方面并与邻居协调，我们的‘形态神经元’学会了如何为网络整体任务贡献力量。”MPI-DS的瓦伦丁·诺伊豪斯解释道。

借助“形态神经元”，团队不仅开发出一种新型机器学习方法，还为深入理解大脑学习机制做出了贡献。

来源：
马克斯·普朗克动力学与自组织研究所

(以上内容均由Ai生成)