Ein Forschungsteam um Li Guoqi und Xu Bo vom Institut für Automatisierung der Chinesischen Akademie der Wissenschaften hat in Zusammenarbeit mit der Tsinghua-Universität, der Peking-Universität und anderen Forschungseinrichtungen eine neue Methode zur Konstruktion von Gehirn-inspirierten Neuronenmodellen auf Basis intrinsischer Komplexität entwickelt. Die entsprechenden Forschungsergebnisse wurden in der Fachzeitschrift „Nature Computational Science“ veröffentlicht.
Die Studie zeigt zunächst die Äquivalenz der dynamischen Eigenschaften des LIF-Modells und des HH-Modells in pulsbasierten neuronalen Netzen auf und beweist, dass HH-Neuronen durch vier spezifische Verbindungsstrukturen mit zeitveränderlichen Parametern dem LIF-Neuron äquivalent sind. Basierend auf dieser Entdeckung verbesserte das Forschungsteam durch die Gestaltung einer Mikroarchitektur die intrinsische Komplexität der Berechnungseinheit, so dass das HH-Netzwerkmodell die Eigenschaften eines deutlich größeren LIF-Netzwerkmodells simulieren kann.
Bildquelle: Das Bild wurde mit KI generiert und von Midjourney bereitgestellt.
Darüber hinaus vereinfachte das Team das Modell zu einem s-LIF2HH-Modell und bestätigte dessen Wirksamkeit bei der Erfassung komplexen dynamischen Verhaltens durch Simulationsversuche. Die Ergebnisse zeigen, dass das HH-Netzwerkmodell und das s-LIF2HH-Netzwerkmodell eine ähnliche Darstellungsfähigkeit und Robustheit aufweisen, während das HH-Netzwerkmodell einen effizienteren Ressourceneinsatz bietet.
Diese Forschung bietet neue Methoden und theoretische Grundlagen für die Integration von künstlicher Intelligenz in die komplexen dynamischen Eigenschaften der Neurowissenschaften und liefert gleichzeitig Lösungen für die Optimierung und Leistungssteigerung von KI-Modellen. Derzeit forscht das Team bereits an größeren HH-Netzwerken und komplexeren Neuronen, um die Rechenleistung und die Aufgabenverarbeitungsfähigkeit großer Modelle weiter zu verbessern und deren praktische Anwendung zu beschleunigen.
论文地址:https://www.nature.com/articles/s43588-024-00674-9