脑科学研究启发人工智能算法：知识组装的神经机制
脑科学研究启发人工智能算法：知识组装的神经机制
背景简介
当新的信息进入大脑时，人类对世界的先前知识可以通过一种被称为“知识组装”（knowledge assembly）的过程迅速改变。近期，由Nelli等人进行的一项研究中，探索了人类大脑中知识组装的神经关联。研究者们受到这一神经机制的启发，开发了一种人工神经网络算法，以实现快速知识组装，提高系统的灵活性。这一研究再一次证明了研究大脑工作方式能够推动更好的计算算法的发展。
研究来源
这篇研究论文由Xiang Ji、Wentao Jiang、Xiaoru Zhang、Ming Song、Shan Yu和Tianzi Jiang完成，作者们主要来自中国科学院的脑科学与智能技术卓越创新中心、自动化研究所的脑网络组中心及实验室以及浙江实验室的增强智能研究中心。该论文接收于2023年9月6日，接受于2023年10月15日，并于2023年11月4日在线发布，发表在 Neuroscience Bulletin 的2024年2月号，Vol. 40, No. 2 上。
研究流程
Nelli等人设计了一个精巧的实验范式来研究人类大脑中的知识组装过程。实验包含以下几个步骤：
知识训练：首先，研究将12个随机项目平分成两组，参与者被训练学习每组内部项目的排序。这样，在参与者大脑中形成为两组独立的排序序列——“旧知识”。
新信息引入：随后，参与者被告知新的信息，即一组中的项目排序低于另一组的项目排序。这一新信息引发了参与者大脑中的知识组装。
知识组装同步：最终，“旧知识”被组装成一个包含全部12个项目的新的排序序列。在此期间，通过功能性磁共振成像（fMRI）记录参与者大脑全脑信号，研究者们通过全脑searchlight方法分析fMRI信号，发现了前顶叶网络，在其中，后顶叶皮层（PPC）和背内侧前额叶皮层（DMPFC）是主要区域，与知识组装相关。
在PPC和DMPFC中，两个项目排序的确定性被定义为fMRI激活信号的差异性。通过计算所有12个项目的差异性，得到了一个表征差异矩阵（RDM），从而分别可视化PPC和DMPFC中的神经表征几何结构。
主要研究结果
通过比较旧知识和新知识在皮层中形成的神经表征几何结构，研究者发现，由于新信息的加入，原始的神经表征几何结构迅速组装成一个新的结构。揭示了知识组装的神经机制后，研究者展示了人工神经网络在处理这一少样本知识组装问题时的失败。因此，作者提出通过引入一个“确定性”参数矩阵，并将其纳入神经网络的权重更新过程来改进神经网络模型。确定性矩阵可以维持两组信息的内部神经几何结构，一旦新信息被添加，每组的神经几何结构便会移动并组装成一个新的神经几何结构，从而实现了人工神经网络中的知识组装。
研究结论
这项研究不仅在认知神经科学领域内有重要意义，同时对人工智能（AI）的发展也非常有启发。在认知神经科学方面，研究者探讨了与知识组装相关的皮层区域，并揭示了人类大脑中知识组装的神经机制。在PPC和DMPFC中，因新信息的添加，原始神经表征几何结构迅速组装成一个新的几何结构。此外，尽管多种人工智能算法——包括基于图的架构、模块化网络、概率程序和深度生成模型——已经被提出来以构建丰富的概念知识结构，但它们往往学习速度慢且需要大量监督，因此在面对少量新信息时难以实现快速知识组装。
受人脑知识组装过程的启发，Nelli等人改进了随机梯度下降（SGD）算法，提出了一个简单的两层神经网络，以实现快速知识组装，仅需要20次训练试验，便可学得新的信息。作者从人类大脑的认知机制中获得灵感，并成功地将其应用于改进人工神经网络。
研究亮点
相比人工智能，人类大脑具有更强的推理能力、更高的灵活性和适应性。目前，为了开发更先进的AI系统，脑启发计算不仅从低级别的感知功能（例如视觉和听觉处理）中汲取灵感，还从高级别的认知功能（例如语言和记忆）中获得启发。通过将神经计算原理引入人工神经网络，AI可以在感知和认知层面展现出一些人类智能的特性，从而带来更高的性能。
未来发展
未来，脑启发算法应当在以下几个方面取得更多进展：
更灵活的人工智能系统：随着神经科学不断揭示新的神经机制，将这些机制引入人工智能系统将进一步提高其灵活性，实现类似人类的行为。
脉冲神经网络（SNNs）的发展：脉冲神经网络在生物学上比人工神经网络更合理，但目前其性能远不及人工神经网络，这需要进一步研究改进。
多模态输入的融合：人脑能够处理多种感官输入（如视觉和听觉刺激），并将其整合形成对环境的整体理解。因此，提高多模态输入融合能力是脑启发计算的一个有前景的方向。
通过研究人类大脑工作机制，研究者们不仅丰富了认知神经科学的理论，同时也推动了人工智能算法的进步。未来的脑启发计算必将取得更加辉煌的成就。