乐动体育网址科研试剂与耗材

大脑的学习办法怎么机器学习与生物的联络将供给「答案」
发布时间:2021-12-06 16:26:35 来源:乐动体育网址


  精确指出神经活动怎么跟着学习而改动,不是一清二楚的。有人以为大脑中的学习或生物学习能够从优化的视点来考虑,这就是在核算机或机器人等人工网络中学习的办法。

  由卡内基梅隆大学和匹兹堡大学的研讨人员一起编撰的一篇新前瞻性评述(Perspective)文章,将机器学习与生物学习联络起来,标明这两种办法不行交换,但能够用它们来为大脑怎么作业供给有价值的见地。

  src=大脑的改动怎么导致学习?要答复这个问题,请考虑人工神经网络 ( ANN ) ,经过优化给定的方针或本钱函数来进行学习。这种优化结构或许会供给有关大脑怎么学习的新见地,因为神经活动的许多特别特征能够经过经过操练,以履行相同使命的 ANN 来概括。

  可是,在整个学习进程中神经集体活动怎么改动的要害特征无法用优化来解说,也不是 ANN 的典型特征。在这里,具体介绍了其间的三个特征:

  科学家以为,了解这些特征在大脑中的效果将是运用优化结构描绘生物学习的要害。

  众所周知,行为是多变的。可是,行为可变性实际上或许对学习至关重要,而不是成为喧闹神经系统的意外成果,使咱们能够充沛探究奖赏景象,并习惯不断改动的环境。能够经过强化学习 ( RL ) 的视角来了解学习进程中行为可变性的潜在优点。各种研讨标明:大脑调理行为可变性以促进学习。

  大脑能够在多大程度上操控学习进程中的神经变异?当然,假如行为层面存在可变性,那么它也将存在于驱动该行为的大脑区域中。但令人惊奇的是,神经集体活动中存在的许多可变性好像在学习进程中并未产生改动。多条依据标明,即便在约束功能的状况下,在数天或数周的实践进程中,集体协变的结构依然有些不灵敏。正如将在下面解说的那样,这种不灵敏是学习环境中的一个重要考虑要素。

  脑机接口(BCI)学习研讨供给了一组依据,标明整体协变结构或许是不灵敏的。

  src=山公经过调理初级运动皮层中记载的 90 个神经元的尖峰活动,将核算机光标引导到八个视觉方针之一。神经活动与光标速度之间的关系由 BCI 映射界说。当引进新的 BCI 映射时,受试者有必要学会修正他们的神经活动以进步功能(即,将光标引导到方针)。

  感知学习的研讨供给了另一条依据,即整体协变结构或许有些不灵敏,即便它搅扰了使命绩效。这与种群协变的存在有关,该协变搅扰了从神经活动中解码信息的才能,即所谓的信息约束相关性。尽管信息约束相关性的巨细能够经过学习来下降,但这些相关性即便在过度操练的使命中依然存在。

  即便神经协变的结构在很大程度上是固定的,它依然或许是学习进程中神经集体活动怎么随时刻演化的要害组成部分。

  为了解说为什么会这样,请考虑大脑有必要运用来自使命的反应来估量方向或梯度,在该方向或梯度中它应该修正其活动以进步未来的体现。在 ANN 中,能够运用微积分中的链式法则,在称为反向传达的算法中核算此梯度。可是,关于大脑而言,反向传达在生物学上或许不行信的原因有许多。研讨标明,了解学习进程怎么解说神经协变才能的结构,或许有助于了解调查到的学习途径。

  大脑中的神经变异性一般与人工神经网络中的神经变异性大不相同。首要,如前所述,学习进程纷歧定会削弱或重构整体协变性,即便这样做会进步使命绩效。其次,考虑在具有相同预期运动的试验中存在许多人口协变,如 BCI 学习使命中所示。假如人工神经网络要作为大脑在学习进程中怎么改动的模型,咱们或许需求考虑能够捕捉上述人口协变特性的人工网络类别,例如依据随机速率的人工神经网络。

  学习进程中大脑神经可变性的不灵敏性,与可变性在强化学习 ( RL ) 办法中的典型效果构成比照。RL 署理经过有用探究其环境来发现最佳行为战略,其间探究体现为行为可变性。可是,学习期间人工署理网络活动的可变性或许与在大脑中调查到的可变性不同。

  了解学习怎么与许多神经可变性一起进行,或许会为 RL 智能体的开发供给信息。

  了解大脑学习的一个首要妨碍是确认所调查到的神经和行为改动背面的学习方针。相比之下,在人工网络中,这不是问题,因为建模者决议怎么运用使命的反应来驱动学习。关于 ANN,建模者能够挑选 ANN 在操练进程中测验优化的方针函数。

  确认潜在学习方针的问题很杂乱,因为即便在简略的使命中,学习进程中的行为改动好像也反映了多个学习进程。科学家将学习进程界说为具有自己的方针函数、学习规矩 / 神经电路实例化的优化进程。因为行为是多方面的,因而能够优化行为的多个方面以完成给定的使命方针。各种研讨标明,即便是将手伸向物体的简略使命,行为改动好像也遭到各种不同学习进程的驱动。

  正如上面所评论的,即便是一个简略的使命,比方伸手去拿一个物体,也或许触及多个学习进程。尽管从大脑的视点来看这或许是有利的,但它对寻求辨认这些学习进程的神经根底的神经科学家提出了应战。多种学习进程或许起源于不同的大脑区域,但多个学习进程的特征也能够在同一组神经元中共存。当这种状况产生时,作为神经科学家,怎么将它们分隔?

  差异大脑中不同学习进程影响的首要办法之一是确认行为或神经改动的不一起刻尺度。另一种是运用 BCI 范式的长时间学习研讨发现,经过数周的操练,受试者经过培育产生新的种群活动形式的才能。

  生物体和人工体学习之间的首要差异之一是,关于生物而言,环境和奖赏突发事件不断改动。为了处理在这样一个动态环境中学习的杂乱性,大脑现已预备好了各种与生态相关的概括误差,而不是一堆优化东西的空白。

  因而,了解大脑中的学习或许不只触及对使命所触及的很多学习进程的描绘,还触及大脑概括误差的表征。整体而言,研讨标明,在解说学习期间人口活动的改动时,大脑的概括误差或许与使命方针自身相同重要。

  在学习进程中,神经活动会产生改动以改进行为。了解这一进程的一种常见办法是:表征神经活动在学习阅历期间或之后,在哪些方面产生改动或不产生改动。这种办法能够供给关于大脑不同部分怎么有助于进步使命绩效的头绪。

  但并非学习进程中神经活动的一切改动都能够直接依据使命方针来解说。越来越多的研讨调查到,学习进程中神经活动的改动并不总是由功能考虑驱动。咱们将这些好像与手头使命的细节无关的改动称为与使命无关的改动。在操作上,咱们以为人口活动的改动是使命非特定的,假如它们在有或没有任何学习压力的状况下产生,或许假如它们在使功能变差的状况下产生。

  咱们置疑,在测验对大脑学习进程进行逆向工程时,考虑到使命非特异性的神经活动改动将被证明是一个要害要素。特别是,关于确认大脑学习方针的应战,或许需求考虑人口活动中与使命无关的改动。

  总的来说,对学习进程中神经活动怎么改动的完好描绘,或许需求考虑大脑在学习的一起办理的各种使命非特定进程的影响。鉴于许多使命非特定进程一般不受试验操控,这或许是一个应战,导致这些进程对种群活动具有可变和潜在的影响。处理此问题的一种潜在办法触及运用天然行为。

  学习期间大脑中使命非特定的改动能够与 ANN 中的网络活动构成比照,其间使命非特定的改动一般很小或不存在。

  为什么大脑会体现出如此大的非特定使命改动?答复这个问题或许会协助咱们树立更好的生物学习模型,一起也会激起人工学习的新办法。在履行任何给定使命时,大脑还有必要办理一系列与使命履行没有直接关系的进程,例如唤醒、注意力和回忆。这些进程或许有自己的方针,尽管与它们所支撑的任何进程相关,但与履行使命自身无关,因而会推进种群活动中与使命无关的改动。

  大脑中使命非特定改动的另一个潜在优点是,它们能够经过使学习者对网络活动的大方差改动不灵敏,或供给一种躲避部分最优或鞍点的办法,来鼓舞稳健性。

  整体而言,了解使命非特定活动在大脑中的效果,或许会启示开发灵敏、强壮的人工署理的办法。

  一般以为,大脑中的学习是由神经元之间突触强度的改动所操控的。类似地,ANN 经过培训,经过对人工神经元之间的突触强度进行修正来进行新使命。在这里,科学家扩展了这个观念,以考虑在神经人群活动的改动方面进行学习。

  在可塑性与神经人口活动方面,研讨学习的不同观念进步了未来研讨的几个潜在问题。

  第三,能否在学习进程中运用对神经种群活动的研讨来辅导寻觅新的可塑性规矩?

  或许获益于数学优化和机器学习思维,关于生物学习,一个令人费解的方面是:为什么生物学习一般是不完好的问题。

  假如大脑中的学习是经过优化进程产生的,咱们怎么了解这些失利形式?在前面提到了两种或许性:大脑的概括误差和使命需求之间的不匹配,以及神经活动中存在使命非特异性改动。其他或许的解说或许来自机器学习,其间现已广泛研讨了不完好或失利学习的原因。

  运用人工神经网络作为人工模型生物(artificial model organisms),或许是了解大脑怎么经过优化学习的要害东西。在这里,概述了人们或许采纳的不同办法。

  首要,人工神经网络能够作为开发新办法的测验渠道,这些办法从神经活动的记载中推断出优化结构的组成部分。

  为了学习,大脑有必要发现导致行为改进的神经活动的改动。咱们怎么开端了解大脑中驱动这些改动的杂乱进程?学习优化结构标明,学习进程中神经活动的改动能够了解为方针函数、学习规矩和网络架构的天然成果。正如咱们在此提出的,将优化结构应用于生物网络需求咱们重视大脑中的神经活动与典型人工网络中的网络活动不同的要害办法。特别是,咱们提出了关于从神经集体活动研讨中学习的三个要害调查成果,以为需求经过大脑学习模型来解说这些调查成果:(1)整个学习进程中神经变异性的不灵敏性,(2)运用即便在简略的使命中也有多个学习进程,以及(3)存在与使命无关的大型活动改动。在考虑神经集体活动时,这些应战很明显,但从突触权重改动或单单元调谐特性的有利方位很难检测到。

  优化结构是了解大脑学习的一个有期望的起点。但正如咱们所见,即便在相对简略的使命中,学习进程中神经集体活动的改动也并不总是很简单解说为优化进程。在了解更杂乱、更天然的使命是怎么学习的布景下,这种困难或许愈加杰出。

  展望未来,将人口活动特征归入大脑学习的新核算模型和新的试验设计,或许对大脑学习进程进行逆向工程的下一步有用。

  「ScienceAI」重视人工智能与其他前沿技术及根底科学的穿插研讨与交融开展。


上一篇:南华生物获批“全国生物工程科普教育基地”
下一篇:醴陵闻名的生物工程中等专业校园2020年招生要求民办的人工智能作业技术校园-哪家强?

在线客服