構(gòu)建更加通用的人工智能，讓模型具有更加廣泛和通用的認(rèn)知能力，是當(dāng)前人工智能領(lǐng)域發(fā)展的重要目標(biāo)。目前流行的大模型路徑是基于尺度定律（Scaling Law）去構(gòu)建更大、更深和更寬的神經(jīng)網(wǎng)絡(luò)，可稱之為“基于外生復(fù)雜性”的通用智能實(shí)現(xiàn)方法。這一路徑面臨著計(jì)算資源及能源消耗難以為繼、可解釋性不足等問題。作為自然界最卓越的智能體，生物大腦成為人工智能研究最重要的參考對象。近年來，腦科學(xué)與人工智能的研究在相互促進(jìn)中快速發(fā)展，尤其是類腦計(jì)算研究受到廣泛關(guān)注。北大深圳研究生院田永鴻教授團(tuán)隊(duì)聯(lián)合中國科學(xué)院自動(dòng)化研究所李國齊、徐波研究團(tuán)隊(duì)等借鑒大腦神經(jīng)元復(fù)雜動(dòng)力學(xué)特性，提出了“基于內(nèi)生復(fù)雜性”的類腦神經(jīng)元模型構(gòu)建方法，改善了傳統(tǒng)模型通過向外拓展規(guī)模帶來的計(jì)算資源消耗問題，為有效利用神經(jīng)科學(xué)發(fā)展人工智能提供了示例。相關(guān)研究論文8月16日在線發(fā)表于《自然·計(jì)算科學(xué)》（Nature Computational Science），該基礎(chǔ)研究工作為推動(dòng)自然智能與人工智能差距的彌合、降低AI碳足跡等科學(xué)領(lǐng)域提供了工具和框架。

圖1. 神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的內(nèi)生復(fù)雜性與外部復(fù)雜性

編者注：HH神經(jīng)元模型，全稱為Hodgkin-Huxley模型，由英國生理學(xué)家Alan Hodgkin和Andrew Huxley在1952年基于魷魚巨型軸突的電生理實(shí)驗(yàn)數(shù)據(jù)提出，用以描述神經(jīng)脈沖的產(chǎn)生和傳導(dǎo)，并因此獲得了1963年的諾貝爾醫(yī)學(xué)或生理學(xué)獎(jiǎng)。該模型是一組描述神經(jīng)元細(xì)胞膜電生理現(xiàn)象的非線性微分方程，直接反映了細(xì)胞膜上離子通道的開閉情況及其與膜電位變化之間的關(guān)系。HH模型是神經(jīng)科學(xué)領(lǐng)域中的一個(gè)重要里程碑，它首次從分子水平上解釋了動(dòng)作電位的產(chǎn)生機(jī)制，為后續(xù)神經(jīng)元電生理研究奠定了基礎(chǔ)。LIF模型，全稱為Leaky Integrate-and-Fire模型，Lapicque于1907年提出了Integrate-and-Fire（I&F）模型，輸入脈沖可以集成到膜電位中，如果達(dá)到定義的閾值，則輸出產(chǎn)生脈沖，膜電位回落至靜息狀態(tài)。LIF模型是I&F神經(jīng)元模型的重要類型之一，增加了膜電位的泄漏。LIF模型簡化了神經(jīng)元?jiǎng)幼麟娢贿^程，具有模擬神經(jīng)元脈沖效率較高、計(jì)算成本較低等特性，成為大規(guī)模脈沖神經(jīng)網(wǎng)絡(luò)（SNN）中采用的主要神經(jīng)元模型。

在類腦計(jì)算研究中，脈沖神經(jīng)網(wǎng)絡(luò)（SNN）占據(jù)核心地位，是最具有生物意義、最類似大腦運(yùn)行機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，被認(rèn)為是新一代的神經(jīng)網(wǎng)絡(luò)。本研究首先展示了脈沖神經(jīng)網(wǎng)絡(luò)神經(jīng)元LIF（Leaky Integrate and Fire）模型和HH（Hodgkin-Huxley）模型在動(dòng)力學(xué)特性上存在等效性，進(jìn)一步從理論上證明了HH神經(jīng)元可以和四個(gè)具有特定連接結(jié)構(gòu)的時(shí)變參數(shù)LIF神經(jīng)元（tv-LIF）動(dòng)力學(xué)特性等效。基于這種等效性，團(tuán)隊(duì)通過設(shè)計(jì)微架構(gòu)提升計(jì)算單元的內(nèi)生復(fù)雜性，使HH網(wǎng)絡(luò)模型能夠模擬更大規(guī)模LIF網(wǎng)絡(luò)模型的動(dòng)力學(xué)特性，在更小的網(wǎng)絡(luò)架構(gòu)上實(shí)現(xiàn)與之相似的計(jì)算功能。

進(jìn)一步，團(tuán)隊(duì)將由四個(gè)tv-LIF神經(jīng)元構(gòu)建的“HH模型”（tv-LIF2HH）簡化為s-LIF2HH模型，通過仿真實(shí)驗(yàn)驗(yàn)證了這種簡化模型在捕捉復(fù)雜動(dòng)力學(xué)行為方面的有效性。

圖2. 模型框架

實(shí)驗(yàn)結(jié)果表明HH網(wǎng)絡(luò)模型和s-LIF2HH網(wǎng)絡(luò)模型在表示能力和魯棒性上具有相似的性能，驗(yàn)證了內(nèi)生復(fù)雜性模型在處理復(fù)雜任務(wù)時(shí)的有效性和可靠性。同時(shí)，研究發(fā)現(xiàn)HH網(wǎng)絡(luò)模型在計(jì)算資源消耗上更為高效，顯著減少了內(nèi)存和計(jì)算時(shí)間的使用，從而提高了整體的運(yùn)算效率。研究團(tuán)隊(duì)通過信息瓶頸理論對上述研究結(jié)果進(jìn)行了解釋。

本研究為將神經(jīng)科學(xué)的復(fù)雜動(dòng)力學(xué)特性融入人工智能、為構(gòu)筑人工智能與神經(jīng)科學(xué)的橋梁提供了新的方法和理論支持，為實(shí)際應(yīng)用中的AI模型優(yōu)化和性能提升提供了可行的解決方案。目前，研究團(tuán)隊(duì)已開展對更大規(guī)模HH網(wǎng)絡(luò)，以及具備更大內(nèi)生復(fù)雜性的多分支多房室神經(jīng)元的研究，有望進(jìn)一步提升大模型的計(jì)算效率與任務(wù)處理能力，實(shí)現(xiàn)在實(shí)際應(yīng)用場景中的快速落地。

該工作的共同通訊作者為李國齊、徐波、田永鴻。共同第一作者是清華大學(xué)錢學(xué)森班的本科生何林軒（自動(dòng)化所實(shí)習(xí)生）、數(shù)理基科班本科生徐蘊(yùn)輝（自動(dòng)化所實(shí)習(xí)生）、精儀系博士生何煒華和林逸晗。

編者注：

Nature Computational Science期刊發(fā)表了來自UC Santa Cruz電氣與計(jì)算機(jī)工程助理教授、開源類腦軟件Snn Torch的核心貢獻(xiàn)者Jason Eshraghian對此研究的評論：“AI 研究更加貼近工程與應(yīng)用，而神經(jīng)科學(xué)的研究更加具有探索性。研究團(tuán)隊(duì)挑戰(zhàn)了這一傳統(tǒng)觀點(diǎn)，并表明更詳細(xì)且生物學(xué)上更真實(shí)的神經(jīng)元模型可以推動(dòng)深度學(xué)習(xí)取得更大進(jìn)展?！?/p>

論文鏈接：

https://www.nature.com/articles/s43588-024-00674-9

評論鏈接：

https://www.nature.com/articles/s43588-024-00677-6

延伸閱讀：

探討如何從大腦中獲得靈感、使人工智能更加高效、彌合自然智能與人工智能之間的差距并取長補(bǔ)短、降低AI的碳足跡是生物學(xué)、認(rèn)知科學(xué)、信息學(xué)等學(xué)科進(jìn)行交叉與融合的重要研究內(nèi)容，提升SNN響應(yīng)外部環(huán)境變化的實(shí)時(shí)性和自適應(yīng)性，降低計(jì)算和通信的能耗，促進(jìn)大規(guī)模SNN新模型的構(gòu)建和部署，支持實(shí)現(xiàn)高可解釋性、強(qiáng)泛化能力的人工智能，將對拓展人工智能的更廣闊應(yīng)用前景注入發(fā)展動(dòng)能。

Nature Computational Science由Springer Nature于2021年推出，專注于開發(fā)和使用計(jì)算技術(shù)和數(shù)學(xué)模型，并將其應(yīng)用于解決各個(gè)科學(xué)領(lǐng)域的復(fù)雜問題。該期刊的主要目標(biāo)是促進(jìn)多學(xué)科研究和新計(jì)算技術(shù)的跨學(xué)科應(yīng)用，既刊登基礎(chǔ)研究，也刊登應(yīng)用研究，既刊登有助于推動(dòng)科學(xué)研究的突破性算法、工具和框架，也刊登以新穎方式利用計(jì)算能力發(fā)現(xiàn)新見解和對挑戰(zhàn)性現(xiàn)實(shí)問題的解決方案。通過這種方式，該期刊創(chuàng)造了一個(gè)獨(dú)特的環(huán)境，讓不同學(xué)科的人員匯聚一堂，共同討論計(jì)算科學(xué)的最新進(jìn)展。

來源：北京大學(xué)