以真实大脑为模型的人工神经网络可以执行认知任务

一项新研究表明，基于人脑连通性的人工智能网络可以高效地执行认知任务。通过检查来自大型开放科学存储库的 MRI 数据，研究人员重建了大脑连接模式，并将其应用于人工神经网络(ANN)。人工神经网络是一个由多个输入和输出单元组成的计算系统，很像生物大脑。来自 The Neuro(蒙特利尔神经病学研究所-医院)和魁北克人工智能研究所的一组研究人员训练 ANN 执行认知记忆任务，并观察它如何完成任务。

这是一种独特的方法，有两个方面。之前关于大脑连通性(也称为连接组学)的工作侧重于描述大脑组织，而没有研究它实际如何执行计算和功能。其次，传统的人工神经网络具有任意结构，不能反映真实大脑网络的组织方式。通过将大脑连接组学整合到 ANN 架构的构建中，研究人员希望了解大脑的布线如何支持特定的认知技能，并为人工网络推导出新的设计原则。

他们发现具有人脑连接的人工神经网络(称为神经形态神经网络)比其他基准架构更灵活、更有效地执行认知记忆任务。神经形态神经网络能够使用相同的底层架构来支持跨多个上下文的广泛学习能力。

“该项目结合了两个充满活力和快节奏的科学学科，”The Neuro 的研究员、该论文的资深作者 Bratislav Misic 说。“神经科学和人工智能有着共同的根源，但最近又有了分歧。使用人工网络将帮助我们了解大脑结构如何支持大脑功能。反过来，使用经验数据制作神经网络将揭示构建更好人工智能的设计原则。因此，两者将有助于相互了解并丰富我们对大脑的理解。”

这项研究于2021 年 8 月 9 日发表在《自然机器智能》杂志上。

标签： 人工神经网络