对飞蛾大脑建模可能会实现更智能、更快速的AI

shuszhao

模拟生物神经系统效能的最常见途径一直是创造机器学习能力越来越高级的越来越复杂的人工智能。
华盛顿大学的研究人员开发出一种模拟生物神经系统的相对简单的神经网络。新的神经网络模型的性能表明了构建不太复杂但学习效率却高得多的AI的可能性。与此同时，发表在arXiv网站的研究《Biological Mechanisms for Learning: A Computational Model of Olfactory Learning in the Manduca sexta Moth, with Applications to Neural Nets》（学习的生物学机制：烟草天蛾嗅觉学习的计算模型及其在神经网络中的应用），对生物是如何学习的（或至少某些生物是如何学习的）提供了新见解。

                               
登录/注册后可看大图

（图片来源：维基共享资源）
模拟生物神经系统效能的最常见途径一直是创造机器学习能力越来越高级的越来越复杂的人工智能。但是，表现有时优于人工智能的生物系统却并不那么复杂，而且仅依靠很少经验的活体生物的学习速度往往比需要数据集的AI的学习速度快得多。
从这些观察出发，华盛顿大学的研究人员决定设计一个相对简单的神经网络模型，模拟飞蛾神经系统相对简单的结构。
华盛顿大学几十年来一直在进行昆虫生物学研究——该研究小组之所以选择飞蛾，是因为该校实验室已完全绘制了它们的神经系统。他们已经了解飞蛾在闻过几次气味后就可以识别这种气味。然而，尽管飞蛾的神经系统相对简单，但人们仍不清楚其学习机理。
大多数神经网络是以反向传播的原则工作的。对于这种技术，神经元之间的权重（基本上是它们之间的连接强度）是通过将输出反馈回系统的过程而不断地被重新计算，从而可以对输入和输出进行相互比较和调整。
生物系统很少这么干。相反，它们通常被组织为前馈级联。
天蛾级联的开始是一组大约30,000个化学受体神经元（RN），它将信号馈送到触角叶（AL）中。AL包含大约60个孤立的细胞群（称为纤维球），每个细胞专注于单一气味刺激特征。研究人员说，AL本质上是嘈杂的。研究人员将AL比作前置放大器，“以提供增益控制并锐化气味呈现”。
来自AL的信号被传递到被称为蘑菇体（MB）的结构。MB包含约4,000个与形成记忆相关的细胞（Kenyon细胞）。信号经过另两个辅助结构（每个结构包含数十个细胞），其功能被认为是从MB读取信号。研究人员写道，这些稀疏结构起着噪声滤波器的作用。噪声并未消除，但为了有效学习而被充分降低。
如果没有被形容为神经调节剂的奥克巴胺，该过程完全不起作用。这种化学物质的释放是由奖励引起的——例如，飞蛾发现了食用糖。当飞蛾获得奖励时，释放的奥克巴胺刺激AL和MB中的增强活性。这种增强活性的实际效果是加强了飞蛾神经系统中相关神经元之间的联系。这种机制被称为赫布学习；神经元连接强度可改变的程度被称为赫布可塑性。
华盛顿大学的研究人员建立了一个模拟上述所有机理的数学模型，并且他们的飞蛾神经模型能够以最少的模拟气味输入进行快速学习。其结果与他们在飞蛾中观察到的行为相似，这强烈意味着他们得到了一个准确的模型。
如果是这样，这将对生物学和神经网络研究产生影响。
模型的行为与实际生物系统的行为非常相似，这促使研究人员期望其现在可以更清楚地了解活体生物的工作机理。研究人员指出，飞蛾的嗅觉/神经系统在结构上与许多其他生物类似。
他们的工作也为探索机器学习提供了一条新途径。他们在上述论文中写道：“具体而言，我们的实验阐明了依靠级联网络、稀疏性和赫布可塑性从噪声数据中快速学习的机制。”