模仿人脑的AI网络可以高效地执行认知任务

麦吉尔大学的一项新研究详细介绍了如何使用模仿人脑的AI网络来高效地执行认知任务。

该研究于8月9日发表在《Nature Machine Intelligence》杂志上。

重构脑连接模式

研究人员首先从一个大型开放科学仓库中获取MRI数据，然后重构了脑连接模式。这个脑连接模式随后被应用于人工神经网络（ANN），这是一个以类似生物脑的方式运作的计算系统。

ANN由蒙特利尔神经学研究所和魁北克人工智能研究所的研究人员团队训练，并学会了执行一个认知记忆任务。研究人员观察了ANN在执行任务时的表现。

这项研究与之前关于脑连接或连接组学的研究有两个主要区别。之前的工作通常涉及描述脑组织而不关注其如何执行计算和功能。另一方面，传统的ANN依赖于任意结构，这些结构不能准确地代表真实脑网络的组织方式。

使用这种新方法，研究人员将脑连接组学整合到ANN架构的构建中，他们相信这将为我们提供如何利用脑的连接来支持特定认知技能的见解。他们还希望推导出人工网络的新设计原则。

研究团队的发现

研究团队发现，具有人类脑连接的ANN（也称为神经形态神经网络）比其他架构更具灵活性和效率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执行广泛的学习能力，这些能力跨越了不同的背景。

布拉蒂斯拉夫·米西奇是蒙特利尔神经学研究所的研究人员，也是该研究的首席作者。

“该项目统一了两个充满活力和快速发展的科学学科，”米西奇说。“神经科学和人工智能有共同的根源，但最近已经分道扬镳。使用人工网络将帮助我们了解脑结构如何支持脑功能。反过来，使用实证数据来构建神经网络将揭示构建更好的人工智能的设计原则。因此，两者将相互促进并丰富我们对脑的理解。”

该研究部分由加拿大首次研究卓越基金资助，该基金被授予麦吉尔大学用于“健康大脑，健康生活”计划。资金还来自加拿大自然科学和工程研究委员会、魁北克卫生研究基金会、加拿大高级研究院、加拿大研究椅、魁北克自然和技术研究基金会以及神经科学和人工智能联盟中心。