圖 1. 通過不斷引入不同的類腦機制提升脈沖神經網絡的正確率

圖 2. 兩種抑制性神經元及其比例對模式識別類任務正確率的影響

酶聯檢測試劑盒-齊一生物

*近，中國科學院自動化研究所類腦智能研究中心研究員曾毅與團隊成員在一項研究中總結歸納了七條受腦啟發的學習準則，并成功應用于改善脈沖神經網絡。通過組合不同的受腦啟發的規則，實驗研究驗證了：隨著越來越多的、經過仔細選擇的、受腦啟發的規則的引入，深層脈沖神經網絡能夠得到越來越好的分類性能。

雖然相比傳統的人工神經元而言，脈沖神經元已具備更扎實的生物真實性，然而傳統的脈沖神經網絡模型僅僅抓住了腦信息處理過程中初步的局部學習訓練法則。由于生物腦在學習過程中協同了若干個法則，因此不能奢望僅僅采用較少的法則設計的類腦脈沖神經網絡模型就能夠達到甚至超越生物腦的各種學習能力。

研究團隊提出的 7 條學習準則都來源于對生物腦的實驗研究，并各自從不同的側面反映了生物網絡的學習特性，如神經元的動態分配、突觸的自適應生長和消亡機制、不同的突觸可塑性學習機制（如不同類型的時序依賴突觸可塑性）、網絡背景噪聲對學習的調控機制、興奮性和抑制性神經元的比例對學習的調節機制等。

在這些學習準則中，神經元的動態分配、突觸的生成與消亡、可塑性模型等被認為是腦神經網絡處理信息的重要特性。研究團隊將上述受腦啟發的規則引入脈沖神經網絡模型，希望提升傳統脈沖神經網絡的效率。

研究團隊所提出的脈沖神經網絡模型主要包含三部分：脈沖生成層、隱層、輸出層。在脈沖生成層中，靜態圖像輸入被轉化為脈沖序列。在隱層中，神經元的動態分配 （R1, R2）、突觸的生長消亡（R3, R4）、不同類型的背景噪聲（R5）、不同類型的脈沖時序依賴可塑性模型（R6）、興奮和抑制性神經元（R7） 被作為類腦的重要機制引入。在輸出層，興奮性神經元負責進行分類，抑制性神經元實現贏者通吃的機制（WTA）。實驗驗證方面，研究采用了手寫數數據集 MNIST。

實驗表明，當引入精心選擇的類腦機制后，模型的正確率會逐步提升