算法以极端的能效解决复杂的学习任务

一个由德国海德堡大学和瑞士伯尔尼大学的跨学科研究团队在开发一台能够像人类大脑一样高效处理信息的机器方面取得了重大进展，这一直是人工智能领域的目标。由德国海德堡大学的Mihai Petrovici博士领导的团队在Nature Machine Intelligence杂志上发表了他们的研究成果。

该团队致力于开发受生物启发的神经网络来解决这个挑战。脉冲神经网络模拟自然神经系统的结构和功能，被认为是有前途的候选者，因为它们具有强大、快速和节能的特点。其中一个关键挑战是训练这样的复杂系统，该团队现在通过新实施的算法接近实现这一目标。

大脑中的神经元使用短的电脉冲传递信息，这些脉冲被称为脉冲。这些脉冲是在某个刺激阈值被超过时触发的。信息交换受到单个神经元产生脉冲的频率和个别脉冲的时间序列的影响。

Julian Göltz是研究小组的一名博士生。

“生物脉冲网络与人工神经网络的主要区别在于，由于它们使用基于脉冲的信息处理，因此它们可以以极端的能效解决复杂任务，例如图像识别和分类，”Göltz说。

受生物启发的神经网络

为了解决这个挑战，该团队致力于开发受生物启发的神经网络。脉冲神经网络模拟自然神经系统的结构和功能，被认为是有前途的候选者，因为它们具有强大、快速和节能的特点。其中一个关键挑战是训练这样的复杂系统，该团队现在通过新实施的算法接近实现这一目标。

大脑中的神经元使用短的电脉冲传递信息，这些脉冲被称为脉冲。这些脉冲是在某个刺激阈值被超过时触发的。信息交换受到单个神经元产生脉冲的频率和个别脉冲的时间序列的影响。

Laura Kriener是研究团队的另一名成员。

“这个问题对于开发基于生物模型的强大人工网络至关重要，”Kriener说。

为了确保脉冲神经网络中的神经元在正确的时间触发，需要使用特殊的算法。这些算法调整神经元之间的连接，以便网络可以执行所需的任务，例如以高精度对图像进行分类。

这就是该团队开发的算法类型。

“使用这种方法，我们可以训练脉冲神经网络仅使用单个脉冲来编码和传输信息。它们因此产生所需的结果，尤其是快速和高效，”Göltz解释说。

研究人员还成功地在物理平台上实现了使用该算法训练的神经网络。该平台是海德堡大学开发的BrainScaleS-2神经形态硬件平台。

研究人员说，BrainScaleS系统的处理速度比人类大脑快多达1000倍，同时需要的能量远远少于传统计算机系统。

该系统是欧洲人类大脑项目的一部分。该项目将神经形态计算等技术整合到一个名为EBRAINS的开放平台中。

达到全部潜能

人类大脑和人工脉冲神经网络都需要个别神经元正确连接才能达到其全部潜能。这就是为什么研究人员需要发现如何调整受生物启发的系统（或神经形态系统）以正确处理脉冲输入的原因。

“然而，我们的工作不仅对神经形态计算和受生物启发的硬件有趣。它还承认了科学界将所谓的深度学习方法转移到神经科学的需求，并进一步揭示人类大脑的秘密，”Petrovici博士说。