研究人员提出了一种新的基于“进化算法”的方法

虽然我们的当前计算机通常执行预编程的动作，但这与我们的脑相反，我们的大脑具有高度的适应性。我们的适应性在很大程度上依赖于突触可塑性，突触是神经元之间的连接点。神经科学家们对突触可塑性非常感兴趣，因为它是学习过程和记忆的关键。

神经科学和人工智能（AI）领域的研究人员开发了这些潜在过程的机制模型，以便更好地理解大脑。这些模型帮助我们获得对生物信息处理的洞察，并且它们对于帮助机器更快地学习至关重要。

“进化算法”

伯尔尼大学生理学研究所的研究人员现在已经开发了一种基于“进化算法”的新方法，这些计算机程序通过模拟生物进化的过程来寻找解决方案。

研究团队由伯尔尼大学生理学研究所的Mihai Petrovici博士和海德堡大学物理研究所的Kirchhoff研究所领导。

该研究发表在了eLife杂志上。

所有这些意味着生物适应性，即生物体适应其环境的程度，可以成为进化算法的模型。使用这些算法，候选解决方案的“适应性”取决于它解决潜在问题的能力。

三个学习场景

这种新方法被称为“进化学习”或“变得适应性”。该团队关注三个典型的学习场景，第一个场景涉及计算机在没有关于其性能的反馈的情况下检测连续输入流中的重复模式。

第二个场景涉及计算机在执行期望行为时接收虚拟奖励。

第三个场景涉及“引导学习”，计算机被告知其行为与期望行为的偏差程度。

伯尔尼大学生理学研究所的Jakob Jordan博士是通讯作者和共同第一作者。

“在所有这些场景中，进化算法都能够发现突触可塑性的机制，并因此成功地解决了一个新任务，”Jordan博士说。

算法表现出了强大的创造力。

Maximilian Schmidt博士是该研究的共同第一作者。

“例如，算法找到了一种新的可塑性模型，我们定义的信号被组合成一个新的信号。事实上，我们观察到使用这种新信号的网络比使用以前已知的规则学习得更快，”Schmidt博士说。

“我们认为E2L是一种有前途的方法，可以深入了解生物学习原理并加速强大的人工学习机器的进展，”Petrovoci说。

“我们希望它能够加速对神经系统中突触可塑性的研究，”Jordan博士评论道。

该团队表示，新的发现将为我们提供对健康和患病大脑如何工作的更深入的了解，并且它们可以帮助开发能够适应用户的智能机器。