人工智能/ 持续报道
本文译自我们的英文版，原始来源保留如下。 阅读英文原文
麻省理工学院研究人员开发出自组织人工神经网络
麻省理工学院的研究人员在《美国国家科学院院刊》(PNAS)上发表了一项研究，证明了可以通过自组织设计人工神经网络，使其构建自身的学习机制。通过实施关于单元间连接如何调整的简单规则，该团队创建了一个无需开发者干预即可自行组织的神经网络。该模型在性能上与使用反向传播的传统网络相当，旨在为理解大脑如何学习和组织自身回路提供一个更具生物合理性的框架。
内容概要
要点
- 麻省理工学院的科学家开发出一种能够构建自身学习机制的自组织人工神经网络。
- 该网络使用简单规则来调整连接，使其无需外部设计即可自行重组。
- 该模型的表现水平与依赖反向传播算法的传统网络相似。
- 研究人员认为，自组织是实现人工智能模型生物合理性的关键一步。
- 这些发现最终可能有助于开发脑机接口并改进机器学习系统。
发生了什么变化
麻省理工学院麦戈文脑研究所和K. Lisa Yang综合计算神经科学中心的研究团队开发出一种能够自组织的计算网络。与依赖反向传播的标准人工智能系统不同，该网络使用简单的局部规则来调整神经元状单元之间的连接。
研究团队证明，这些规则允许网络形成自组装基序，作为功能性回路的构建模块。当网络处理数据时，这些基序会使用类似于梯度下降的优化策略进行自我重组，从而使系统能够学习识别模式并对图像进行分类。
对神经科学和人工智能的影响
这项研究解决了人工智能学习与生物学习之间的一个根本性差距。虽然现代人工智能通常使用反向传播，但神经科学家普遍认为人脑不太可能使用这种方法，因为人脑缺乏外部架构师。
研究人员认为，如果所提出的突触基序与大脑使用的基序相吻合，它可能会在机器学习机制和生物学习机制之间建立更紧密的联系。这种理解被认为对于未来的应用至关重要，例如为语言丧失或瘫痪患者开发先进的脑机接口。
背景与影响
为何重要
这项研究为人工智能的生物合理性提供了一个新框架，可能弥合机器与大脑学习方式之间的差距。
已知信息
- 麻省理工学院的科学家在PNAS上发表了一篇论文，证明了人工神经网络可以使用简单的自组织规则构建自身的学习机制。
- 该团队开发的自组织网络在性能上与使用反向传播算法进行学习的网络处于相似水平。
尚不明确的信息
- 研究人员提出的突触基序是否确实被人类大脑所使用，目前尚不确定。
- 与现有架构相比，自组织网络最终能在多大程度上提高机器学习性能，目前尚未确定。
查阅来源
本报道的来源
MIT News: AI第一手来源How artificial neural networks build their own learning machinery