Живые нейроны получают сигналы из разных источников, обрабатывают их и передают выходной сигнал на другие нейроны (слева). В модели искусственного нейрона эта обработка информации может быть описана и улучшена с помощью цели обучения (справа). Подобно их биологическим моделям, это независимое обучение позволяет новым искусственным нейронам решать задачи самоорганизованными способами. Кредит: Андреас Шнайдер, MPI-DS
Исследователи разработали «инфоморфные нейроны», которые учатся независимо, имитируя их биологические аналоги более точно, чем предыдущие искусственные нейроны. Команда исследователей из Института динамики биологических сетей Гёттингенского кампуса (CIDBN) в Университете Геттинген и Институте динамики и самоорганизации Макса Планка (MPI-DS) запрограммировала эти инфоморфные нейроны и построенные из них искусственные сети.
Специальная особенность заключается в том, что отдельные искусственные нейроны учатся самоорганизованным образом и рисуют необходимую информацию из их непосредственной среды в сети. Их выводы опубликованы в журнале Труды Национальной академии наукПолем
Как человеческий мозг, так и современные искусственные нейронные сети чрезвычайно сильны. На самом низком уровне нейроны работают вместе как довольно простые вычислительные единицы.
Искусственная нейронная сеть обычно состоит из нескольких слоев, состоящих из отдельных нейронов. Входной сигнал проходит через эти слои и обрабатывается искусственными нейронами для извлечения соответствующей информации. Тем не менее, обычные искусственные нейроны значительно отличаются от своих биологических моделей в том, как они учатся.
В то время как большинство искусственных нейронных сетей зависят от всеобъемлющей координации вне сети, чтобы учиться, биологические нейроны получают только сигналы от других нейронов в их непосредственной близости в сети. Биологические нейронные сети все еще намного превосходят искусственные с точки зрения как гибкости, так и энергоэффективности.
Новые искусственные нейроны, известные как «инфоморфные нейроны», способны самостоятельно и самоорганизации среди своих соседних нейронов. Это означает, что наименьшая единица в сети должна контролировать больше не снаружи, но решает себя, какой вход актуален, а какой нет.
При разработке инфоморфных нейронов команда была вдохновлена тем, как работает мозг, особенно пирамидальными клетками в коре головного мозга. Они также обрабатывают стимулы из разных источников в их непосредственной среде и используют их для адаптации и обучения. Новые искусственные нейроны преследуют очень общие, простые для понимания цели обучения.
«Теперь мы напрямую понимаем, что происходит внутри сети и как отдельные искусственные нейроны учатся независимо», — подчеркивает Марсель Гратц из CIDBN.
Определяя цели обучения, исследователи позволили нейронам найти свои конкретные правила обучения сами. Команда сосредоточилась на учебном процессе каждого отдельного нейрона.
Они применили новую информационную теоретическую меру, чтобы точно отрегулировать, должен ли нейрон стремиться к большей избыточности со своими соседями, совместно сотрудничать или пытаться специализироваться на своей части информации сети.
«Специализируясь на определенных аспектах ввода и координации со своими соседями, наши инфоморфные нейроны учатся вносить вклад в общую задачу сети»,-объясняет Валентин Нохаус из MPI-DS.
С помощью инфоморфных нейронов команда не только разрабатывает новый метод для машинного обучения, но также способствует лучшему пониманию обучения в мозге.
Больше информации:
Абдулла Макке и др., Общая основа для интерпретируемого нейронного обучения на основе локальных теоретичных функций, теоретичных целей, Труды Национальной академии наук (2025). Doi: 10.1073/pnas.2408125122
Информация журнала:
Материалы Национальной академии наук, предоставленных Обществом Макса Планка
Цитирование: Самоорганизация «инфоморфных нейронов» может научиться самостоятельно (2025, 31 марта), полученные 1 апреля 2025 года из этого документа, подлежит авторским правам. Помимо каких -либо справедливых сделок с целью частного исследования или исследования, никакая часть не может быть воспроизведена без письменного разрешения. Контент предоставляется только для информационных целей.
