人工智能以“赢者通吃”的方式模仿大脑皮层计算

Josiah02

在过去的十多年里，计算机科学家开发出了越来越先进的计算技术，能够以与人类相当的精度处理现实世界的任务。虽然许多人工智能 (AI) 模型取得了显著的成果，但它们往往不能精确复制人脑执行的计算。
Tibbling Technologies、哈佛医学院布罗德研究所、澳大利亚国立大学和其他机构的研究人员最近尝试使用人工智能来模仿大脑皮层电路执行的一种特定类型的计算，即所谓的“赢者通吃”计算。
他们的论文发表在bioRxiv预印本服务器上，报告了对该计算的成功模拟，并表明将其添加到基于变压器的模型中可以显著提高其在图像分类任务上的性能。
论文第一作者 Asim Iqbal 告诉 Tech Xplore：“我们最近的论文受到了哺乳动物大脑，特别是大脑皮层惊人的计算能力的启发。”
“我们的主要目标是从大脑处理信息的方式中汲取灵感，并应用这些原则来改进人工智能系统。具体来说，我们专注于一种称为‘赢者通吃’的计算，这似乎是皮质电路中的一项基本操作。”
“赢者通吃”是一种生物机制，当一组神经元中的一个或几个神经元（即激活程度最高的神经元）影响计算结果时就会发生这种情况。更活跃的神经元本质上会抑制其他神经元的活动，成为唯一对特定决策或计算做出贡献的细胞。
Iqbal 和他的同事尝试使用神经形态硬件真实地模拟这种生物计算，然后用它来提高成熟的机器学习模型的性能。为此，他们使用了 IBM 的 TrueNorth 神经形态硬件芯片，该芯片专为模拟大脑组织而设计。
伊克巴尔解释道：“我们的生物物理网络模型旨在捕捉新皮层回路的关键特征，重点关注兴奋性神经元和四种主要抑制性神经元之间的相互作用。”
“该模型结合了这些神经元及其在视觉皮层中的连接的实验测量特性。其关键特征是能够实现‘软赢家通吃’计算，其中最强的输入被放大，而较弱的输入被抑制。”
通过执行这些受大脑启发的计算，该团队的方法可以增强重要信号，同时滤除噪音。他们的 NeuroAI 系统的主要优势在于，它引入了一种新的基于生物学且计算效率高的视觉信息处理方法，这有助于提高 AI 模型的性能。
Iqbal 表示：“我们最激动人心的成就之一是在 IBM 的 TrueNorth 神经形态芯片上成功实现了受大脑启发的计算。”
“这表明我们可以将神经科学原理转化为真正的硬件。当我们融入我们的赢家通吃式处理时，我们也很高兴看到 Vision Transformers 和其他深度学习模型的性能显著提高。例如，这些模型在推广到它们尚未接受过训练的新类型数据方面变得更好——这是人工智能面临的一个关键挑战。”
Iqbal 和他的同事将使用他们的方法执行的软赢家通吃计算与基于视觉变换器的模型相结合。他们发现，通过零样本学习，他们的方法显著提高了模型在完全“看不见”数据的数字分类任务上的表现。
未来，他们的大脑启发式计算方法可以应用于其他人工智能系统，实现广泛的应用，包括计算机视觉、医学图像分析和自动驾驶汽车。同时，研究人员计划研究如何利用支撑他们方法的相同大脑启发式原理来解决更复杂的认知任务。
“我们特别感兴趣的是利用我们的方法实现工作记忆和决策过程，”Iqbal 补充道。
“我们还计划研究如何将受大脑启发的学习机制融入其中，从而打造出能够更有效地学习和适应的人工智能系统。此外，我们还热衷于在其他新兴的神经形态硬件平台上测试我们的方法，以进一步弥合神经科学与人工智能之间的差距。”