前言:

科學家們構(gòu)建出了一種合成腦細胞的關鍵部分,這些合成細胞能在毫秒級別上留存記憶,這一成果在將來可能會使類腦計算機成為現(xiàn)實。

這些合成出的關鍵部分采用離子來產(chǎn)生電信號,與大腦中神經(jīng)元傳輸信息的方式相同。

作者 | 方文

圖片來源 |  網(wǎng) 絡

人工神經(jīng)元及其模型

在這項于8月6日發(fā)表在《科學》期刊上的研究中,來自法國巴黎國家科學研究中心的科研人員們構(gòu)建了一個人造神經(jīng)元的計算機模型。

和大腦中的神經(jīng)元一樣,這個模型可以用電信號傳輸信息。研究者輸送離子跨越水薄層,以此來模擬真實的離子通道;

如此,這些人造神經(jīng)元能夠產(chǎn)生和大腦中神經(jīng)元一樣的電發(fā)放。

科學家們推測,如果我們能制作出像人腦一樣的計算機,計算機的能耗會大大降低。而復刻人腦生物機制的一種方法就是像大腦一樣利用離子去產(chǎn)生電流。

在更精細的層面上,研究人員構(gòu)建了一個系統(tǒng)來模擬動作電位的產(chǎn)生。

神經(jīng)元在產(chǎn)生動作電位之前細胞膜處于靜息電位,當刺激引起細胞外的陽離子內(nèi)流時,細胞膜發(fā)生去極化。

當去極化達到閾值時電壓門控的離子通道會開放,使得更多的陽離子進入細胞,直到膜內(nèi)電位達到最大值后重新極化,這一過程歷時幾個毫秒。

為了模擬電壓門控的離子通道,研究人員對兩層石墨烯之間的水薄層進行了建模。

在模擬中,研究者分別以一個水分子、兩個水分子、三個水分子的厚度對水層進行建模,并且將水層表征成了準二維的狹縫。

在對這個模型進行計算機仿真測試時,科研人員發(fā)現(xiàn):當施加更強的電場時,這些結(jié)構(gòu)會以足夠慢的速度分解,從而留下某種記憶。

在真實神經(jīng)元中,動作電位就等同于神經(jīng)元的細胞記憶;我們的大腦通過打開和關閉離子通道去創(chuàng)造這樣的記憶。

模型是基于[記憶電阻]

根據(jù)此前的研究,有科學家認為人腦的存儲容量大約為1TB,不過也有科學家認為應該有100TB。

人腦雖然不是自然界中最大的,但卻是最發(fā)達的。在所有哺乳動物中,人腦占身體的比例最大。

人腦雖然只占了身體重量的2%,卻消耗著20%的能量。

神經(jīng)元的數(shù)量的對應著著腦的能力,人腦大約包含了860億個神經(jīng)細胞,其中大腦皮層就占了140億個神經(jīng)細胞。

這些神經(jīng)元就像計算機中的門電路,是基本的邏輯單元,它們復雜的連接在一起,而且是大規(guī)模串并聯(lián),最終和神經(jīng)膠質(zhì)細胞一起構(gòu)成人腦這一復雜的中樞神經(jīng)系統(tǒng)。

研究顯示,每對神經(jīng)元之間大約存在1000個突觸;860億個神經(jīng)元和1000個突出相乘,可以大概計算出,人腦潛在的存儲能力高達86TB。

人工神經(jīng)網(wǎng)絡就類似于這種模型,通過對不同數(shù)據(jù)賦予不同的權(quán)重,進而實現(xiàn)模糊計算,用來模擬人腦非線性、非精確的數(shù)據(jù)處理能力。

用更少的神經(jīng)元做出更準確的預測

研究者將動力系統(tǒng)上的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡中一個由隨機連接的人工神經(jīng)元組成的[儲備池]中。

系統(tǒng)越大、越復雜,期望預測的結(jié)果越準確,人工神經(jīng)網(wǎng)絡就越大,完成任務所需的計算資源和時間也就越多。

基于人工神經(jīng)元的儲備池是一個黑盒子,科學家們不知道它里面到底發(fā)生了什么,只知道它管用。

儲備池計算核心的人工神經(jīng)網(wǎng)絡建立在數(shù)學基礎上的,發(fā)現(xiàn)整個儲備池計算系統(tǒng)可以大大簡化,從而顯著降低對計算資源的需求,節(jié)省大量時間。

研究者提出的下一代儲備池計算技術明顯優(yōu)于當前的SOTA技術。在一臺臺式機上進行的一個相對簡單的模擬中,新系統(tǒng)的速度是當前模型的33到163倍。

實現(xiàn)任何意義上真正的人工智能

傳統(tǒng)的電子元器件需要消耗的能量非常大。而我們的人類大腦雖然復雜,但其能耗卻非常低。

這種差異,是因為人體神經(jīng)元之間的交流也存在電流,但其電流的載體不是電子而是離子。

讓電子元件使用離子進行信號傳遞,新開發(fā)出來的[人工神經(jīng)元]就能和人體大腦神經(jīng)元使用同樣的電介質(zhì)進行交流。

通俗一點來說,就是人類大腦可以實現(xiàn)和計算機的雙向交流。

現(xiàn)在,智能算法能夠進行人臉識別,甚至能夠駕駛無人汽車,而這些技術主要歸功于基于人腦結(jié)構(gòu)原理的深度學習。

它們由許多人造神經(jīng)細胞組成,并通過人造突觸連接并由此互相傳遞信號。

真實的神經(jīng)元已經(jīng)足夠深入,能夠幫助他們開展更復雜、更高效、更接近人腦的學習流程。

也就是說,這樣的人工網(wǎng)絡,識別一只貓所需學習的例子更少,且有內(nèi)化語言意義的功能。

這樣的系統(tǒng)不僅能夠改變單個神經(jīng)元在各個人工神經(jīng)元網(wǎng)絡中的表現(xiàn),還能將不同種類神經(jīng)元的特點在人工網(wǎng)絡中結(jié)合起來,就像人腦一樣。

最終目標是建立一個電子復制的大腦,它能夠模仿人腦的功能、能力和多樣性,實現(xiàn)任何意義上真正的人工智能。

結(jié)尾:

如果精確模仿大腦的機器學習方法應用在計算機模型上,計算機模型的發(fā)展也會增強對大腦本身的理解。

科學家找到了能夠模仿自身學習能力的人工網(wǎng)絡的方法,而這反過來也讓我們更好地了解大腦和我們自身。

部分資料參考:《人工神經(jīng)元再進一步,存儲記憶已成現(xiàn)實》,雷鋒網(wǎng):《人工神經(jīng)網(wǎng)絡能否駕馭生物神經(jīng)元的“濃稠”程度?5到8層可能并非極限》,機器之心pro:《儲備池計算新突破:神經(jīng)元更少,計算速度最高提升百萬倍》,科技誠談:《美腦機接口設備與中國“人工神經(jīng)元”相比,誰更強?》

本公眾號所刊發(fā)稿件及圖片來源于網(wǎng)絡,僅用于交流使用,如有侵權(quán)請聯(lián)系回復,我們收到信息后會在24小時內(nèi)處理。