類神經電腦系統中神經網絡的新訓練方法

開發能夠像人腦一樣高效地處理資訊的電腦系統一直是實現真正人工智能的長期研究目標。棘波神經網絡(Spiking neural networks)模仿神經系統的結構和功能。關鍵的挑戰是如何訓練如此復雜的系統。由德國海德堡大學和瑞士伯爾尼大學的跨學科研究小組利用根據神經生物學的人工神經網絡來解決這個問題，並發表在最新的頂尖科學期刊《自然-機器智能》。

大腦中的神經細胞（或神經元）使用稱為棘波(Spike)的短電脈衝傳輸資訊。當超過某個刺激閾值時會觸發這些尖峰。單個神經元產生這種脈衝的頻率和各個尖峰的時間順序對於資訊交換都很重要。棘波神經網絡與人工神經網絡的主要區別在於，因為它們使用基於棘波的資訊處理方式，所以它們可以以極高的效率解決複雜的任務，例如圖像識別和分類。

人腦和結構相似的人工棘波神經網絡只有在各個神經元相互正確連接時才能發揮其全部潛力。但是，如何調整受大腦啟動的（即神經形態）系統以正確處理棘波輸入？這個問題對於開發生物模型的人工網絡非常重要。需要特殊的算法來保證棘波神經網絡中的神經元在正確的時間啟動觸發。這些算法調整神經元之間的連接，以便網絡可以執行所需的任務，例如對圖像進行高精度分類。研究團隊開發了一種演算法 BrainScaleS。使用這種演算法，研究人員可以訓練棘波神經網絡以僅在單個脈衝中編碼和傳輸資訊。因此可以特別快速有效地產生了所需的結果。研究指出BrainScaleS 系統處理資訊的速度比人腦快一千倍，並且比傳統電腦系統需要的能量少得多。

此研究是歐洲人腦計劃(European Human Brain Project)的一部分，該計劃將神經形態演算等技術集中到一個名為 EBRAINS 的開放平台中。