几个世纪以来，人类一直试图了解大脑的工作原理以及它如何获取信息。虽然神经科学家现在对大脑的不同部分如何工作以及它们的功能有了很好的了解，但许多问题仍未得到解答。因此，目前还缺乏一个统一的神经科学理论。近年来，计算机科学家一直在尝试创建可以人工重建人脑功能和过程的计算工具。加拿大莱斯布里奇大学的研究人员最近进行了一项研究，调查单个神经元如何学习和预测未来。表明单个神经元预测其未来活动的能力可以提供一种新的学习机制。这项名为“Neuronslearnbypredictingfutureactivity”的研究结果于2月25日发表在《Nature Machine Intelligence》。学习。“它有无数的详细观察，但没有一个单一的理论可以解释它们是如何联系在一起的。因此，神经科学的一大任务是找到统一的原则来解释大脑是如何工作的。我们的工作旨在为这一贡献提供基础去发现。”更好地理解大脑使用的学习算法可能是发展大脑功能统一理论的核心。研究大脑学习机制有两种主要方法：(1)实验，其中神经元活动的持续变化是由特定干预引起；(2)计算，其中开发算法以实现特定的计算目标，同时仍满足选定的目标生物限制。在本文中，研究人员探索了另一种选择(3)理论推导，其中推导了学习规则来自基本的细胞原理，即最大化细胞的代谢能量。有多种证据表明大脑作为一个预测系统运行。然而，关于如何在大脑中实现精确的预测编码仍然存在争议。大多数提出的模型假设有一个预测电路，但研究人员提出了一个替代方案，其中有一个实习生神经元中的预测模型。有人提出，使用预测学习规则的单个神经元可以提供一个基本单元，从中可以构建各种预测大脑。有趣的是，研究人员提出的预测学习规则也可以通过修改时间差分学习算法来获得，使它们在生物学上更合理。时间差异学习是关于如何在大脑中实现类似反向传播的算法的最有前途的想法之一。它基于使用神经元活动的差异来近似自上而下的误差信号。这种算法的一个经典例子是赫布学习，它已被证明在某些假设下等同于反向传播。插图：算法的基础。（来源：论文）预测学习规则和对比赫布学习赫布学习算法要求网络在两个独立的学习阶段收敛到稳态平衡，因此必须呈现两次完全相同的刺激。然而，这不太可能发生在真实的大脑中。在这里，受皮质感觉处理的启发，研究人员建议通过将两个活跃阶段合二为一来解决这个问题。这里的新见解是，初始自下而上的活动足以让神经元预测自由相活动的稳态部分，然后可以将预测的自由相和夹紧相之间的不匹配用作教学信号。为了验证神经元能否正确预测未来的自由相活动，研究人员仔细观察了样本神经元。该研究表明，预测学习规则运作良好，每个神经元都准确地预测了它未来的活动。示意图：预期活动的神经元预测。（来源：论文）此外，预测学习规则在多个其他网络架构中进行了测试，这些网络架构旨在反映生物神经元网络的其他方面。研究表明，所提出的预测学习规则在各种生物驱动的网络架构中表现良好。插图：在多层卷积神经网络中实施预测学习规则。（来源：论文）清醒动物中预测学习规则的验证为了测试真实的神经元是否也能预测它们未来的活动，研究人员分析了清醒大鼠听觉皮层的神经元记录。作为刺激，呈现了6个音调，每个音调1秒，中间穿插1秒的静默，连续重复20分钟以上。对于六种音调中的每一种，分别计算平均起始和偏移反应，为每个神经元提供12种不同的活动配置文件。对于每个刺激，15-25毫秒时间窗口中的活动用于预测30-40毫秒窗口中的平均未来活动。示意图：预测皮层神经元的未来活动。（来源：论文）研究表明，神经元具有可预测的动态，并且从最初的神经元反应，可以估计它们未来的活动。然而，通过预测皮层活动的长期变化提供了支持学习规则的更有力证据。重要的是，基于所提出的模型，可以推断出哪些单个神经元会增加，哪些会降低它们的放电率。示意图：模型和皮层神经元中神经元活动的长期变化。（来源：论文）这项研究可能会对神经科学和机器学习领域产生许多有趣的影响。总的来说，他们的发现表明支持单个神经元功能的预测机制可能在学习中发挥关键作用。“在未来，这个想法还可能有助于创建更强大的人工神经网络来解决具有挑战性的现实生活问题，”Luczak说。“我相信我们发表的预测学习规则是朝着寻找大脑统一理论迈出的重要一步。然而，要到达那里还需要更多的步骤，我们很高兴能继续这段旅程。》论文链接：https://www.nature.com/articles/s42256-021-00430-y
