欧盟「人脑计划」：新算法模拟生物进化，为大脑工作提供新见解(2)

论文链接：https://elifesciences.org/articles/66273
算法模拟生物进化
我们的大脑具有令人难以置信的适应性。每一天，我们都会形成新的记忆、获取新的知识或完善现有的技能。这与我们当前的计算机形成鲜明对比，计算机通常只执行预编程的操作。
我们适应性的核心在于突触可塑性。突触是神经元之间的连接点，根据使用方式的不同，突触会发生不同的变化。这种突触可塑性是神经科学的一个重要研究课题，它是学习过程和记忆的核心。
破译突触可塑性的方法可以大致分为自下而上和自上而下。自下而上的方法通常依赖于实验数据来推导出突触参数的动态方程，如果适当地嵌入到网络中，这些方程会导致功能性出现的宏观行为。自上而下的方法以相反的方向进行：从网络功能的高级描述，例如，根据目标函数，推导出突触变化的动态方程，并建议生物物理学上合理的实现。

图示：尖峰神经元网络中突触可塑性规则的人工进化。（来源：论文）
为了更好地了解这些大脑过程并构建自适应机器，神经科学和人工智能 (AI) 领域的研究人员正在为这些过程背后的机制创建模型。这种用于学习和可塑性的模型有助于理解生物信息处理，使机器能够更快地学习。
在这里，研究人员建议采用一种自动化方法，来发现明确解决这些问题的尖峰神经元网络中的学习规则。自动化程序将生物可塑性机制的搜索解释为优化问题，这种想法通常被称为元学习或学会学习。
然后，扩展了元学习思想，来发现用于尖峰神经元网络的自由形式但可解释的可塑性规则。采用遗传编程作为搜索算法。
新开发的方法被称为「进化到学习」(evolving-to-learn，E2L) 方法。应用于三种不同的神经元网络学习范式：奖励驱动、错误驱动和相关驱动学习。
研究结果证明了自动化程序在搜索尖峰神经元网络的可塑性规则方面的巨大潜力，类似于从手工设计到现代机器学习核心的学习特征的转变。