我們正處于一場科技革命之中。今天的計(jì)算機(jī)使用人工智能從示例中學(xué)習(xí)并執(zhí)行直到最近才被認(rèn)為是不可能的復(fù)雜功能。這些智能算法可以識別人臉，甚至可以駕駛自動(dòng)駕駛汽車。促成許多這些技術(shù)進(jìn)步的深度學(xué)習(xí)網(wǎng)絡(luò)基于形成我們大腦結(jié)構(gòu)的相同原理：它們由通過人工突觸相互連接的人工神經(jīng)細(xì)胞組成;這些細(xì)胞通過這些突觸相互發(fā)送信號。
我們對神經(jīng)功能的基本理解可以追溯到 1950 年代?；谶@種基本理解，當(dāng)今用于深度學(xué)習(xí)的人工神經(jīng)元通過線性地求和它們的突觸輸入并在響應(yīng)中生成兩個(gè)輸出狀態(tài)之一——“0”(OFF)和“1”(ON)來運(yùn)行。然而，近幾十年來，神經(jīng)科學(xué)領(lǐng)域發(fā)現(xiàn)單個(gè)神經(jīng)元是由包含許多功能子區(qū)域的復(fù)雜分支系統(tǒng)構(gòu)建的。事實(shí)上，神經(jīng)元的分支結(jié)構(gòu)和在其分布式表面區(qū)域與其接觸的許多突觸意味著單個(gè)神經(jīng)元可能表現(xiàn)為一個(gè)廣泛的網(wǎng)絡(luò)，其中每個(gè)子區(qū)域都有自己的局部，即非線性輸入-輸出函數(shù)。
耶路撒冷希伯來大學(xué) (HU) 的新研究旨在系統(tǒng)地了解神經(jīng)元的計(jì)算能力。如果將神經(jīng)元的輸入-輸出映射到許多突觸輸入(許多示例)，那么人們可能能夠檢查類似網(wǎng)絡(luò)應(yīng)該有多“深”，以便復(fù)制神經(jīng)元的 I/O 特性。博士HU 的 Edmond 和 Lily Safra 腦科學(xué)中心 (ELSC) 的學(xué)生 David Beniaguev 與 Michael London 和 Idan Segev 教授共同承擔(dān)了這一挑戰(zhàn)，并在Neuron 上發(fā)表了他們的研究結(jié)果。
該研究的目的是了解作為大腦組成部分的單個(gè)神經(jīng)細(xì)胞如何將突觸輸入轉(zhuǎn)化為它們的電輸出。在這樣做的過程中，研究人員尋求創(chuàng)建一種新的深度學(xué)習(xí)人工基礎(chǔ)設(shè)施，它的行為將更像人腦，并產(chǎn)生與大腦類似的令人印象深刻的能力。“我們提出的新深度學(xué)習(xí)網(wǎng)絡(luò)是由人工神經(jīng)元構(gòu)建的，其中每個(gè)神經(jīng)元都已經(jīng)有 5-7 層深。這些單元通過人工突觸連接到其上方和下方的層，”Segev 解釋說。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！