圖片來源@全景視覺
文丨學術頭條
幾十年來，神經科學在人工智慧的研究歷程中起到了舉足輕重的作用，人工智慧的奠基人 Donald Hebb、Warren McCulloch、Marvin Minsky 和 Geoff Hinton 最初的研究動力均源自對他們大腦工作機理的濃厚興趣，當時的研究人員也一直試圖模仿大腦的功能，構建神經科學與人工智慧之間的橋梁。
1943 年，美國神經科學家麥卡洛克（Warren McCulloch）和邏輯學家皮茨（Water Pitts）在 「A Logical Calculus of Ideas Immanent in Nervous Activity」 一文中提出了神經元的數學模型，受人體大腦神經元的啟發，機器學習領域早期的重要算法 —— 人工神經網絡（Artificial Neural Networks）得以發展。
1949 年，加拿大神經心理學家 Donald Hebb 在《The Organization of Behavior》一書中首次提出的赫布理論，解釋了在學習過程中大腦神經元所發生的變化，這一理論為後期機器學習的研究提供了理論支撐。Hebb 提出學習是通過大腦中突觸強度的改變而進行的，一個突觸強度的改變通常持續數十分鐘，而一個神經元（節點）的時鐘速度大約為一秒。
然而，從那以後，實驗神經科學並沒有直接推動機器學習領域的發展，這兩門學科似乎都是獨立發展的。
4 月 23 日，巴伊蘭大學物理系和 Gonda（Goldschmied）多學科腦研究中心的 Ido Kanter 教授等人在《科學報告》雜誌上發表了一項最新研究成果，成功地在實驗神經科學和高級人工智慧學習算法之間重建橋梁。
研究人員根據 Hebb 的理論，通過一項新的神經元培養實驗，成功展示了一種受大腦啟發的人工神經網絡學習機制。該機制被用於手寫數字識別時，其成功率大大超過了傳統的機器學習算法。
Ido Kanter 教授說："我們大腦中的一個學習步驟被認為通常會持續幾十分鐘甚至更久，而在計算機中，它的學習時間一般為納秒級。雖然大腦的速度極慢，但其計算能力卻超過了最先進的人工智慧算法，或者說可以與之相媲美，「
為了重建這一橋梁，研究人員最初作出兩個假設：
通常認為大腦學習是極其緩慢的假設可能是錯誤的；大腦的動力學系統可能包括加速學習機制。令人驚訝的是，這兩個假設經過實驗證明都是正確的。
研究人員採用機械和酶解程序在新生大鼠（Sprague-Dawley）出生後 48 h 內獲得其皮層神經元，作為培養對象。實驗是在培養的皮層神經元上進行的，這些神經元通過穀氨酸能和氨基丁酸能突觸的藥理阻斷而從它們的網絡中分離出來的。
所有實驗流程均按照美國國立衛生研究院的《實驗室動物護理和使用指南》和巴伊蘭大學的《實驗室動物護理和使用研究指南》進行，並得到巴伊蘭大學動物護理和使用委員會的批准和監督。
這項研究中，研究人員使用 5Hz 的刺激頻率，對樹突的適應性進行了實驗研究，訓練模式選取 0.5Hz-1Hz。將神經元培養物置於添加了突觸阻滯劑的多電極陣列上，突觸阻滯劑從細胞外通過樹突刺激一個修補過的神經元。適應過程包括一套 50 對刺激的訓練集。經過閾值以上的細胞內刺激後，細胞外刺激沒有達到預定的 1-4ms 的延遲。研究人員主要考慮了兩個獨立的樹突狀細胞激活神經元時，不同的細胞內外的波峰波形。
實驗研究表明，隨著訓練頻率的增加，我們大腦中的適應性會明顯加快。
論文第一作者 Shira Sardi 表示："通過在一秒鐘內觀察 10 次相同的圖像進行學習，其效果不亞於在一個月內觀察 1000 次相同的圖像。重複相同的圖像能迅速增強我們大腦中的適應性，使我們的大腦在幾秒鐘而不是幾十分鐘內就能適應。有可能我們大腦中的學習速度更快，但超出了我們目前的實驗限制。「
這項研究的另一位作者 Roni Vardi 博士補充道，利用這種新發現的、受大腦啟發的加速學習機制，大大超過了常用的機器學習算法。如對於手寫數字識別，特別是在提供小數據集進行訓練的情況下，利用這種新發現的、受大腦啟發的加速學習機制，大大超過了常用的機器學習算法的運算速度。
重建從實驗神經科學到機器學習的橋梁，有望推進人工智慧的進一步發展，特別是在有限的訓練樣本下，類似於人類決策的許多情況，以及機器人控制和網絡優化，作出超快的決策。
參考資料：https://www.eurekalert.org/pub_releases/2020-04/bu-rrt042020.phphttps://www.nature.com/articles/s41598-020-63755-5