中国科学院联合清华大学和北京大学构建新型类脑网络，搭建起人工智能与神经科学之间的桥梁。
编辑日期：2024年08月16日
附上主要研究内容：
本研究首先证实了脉冲神经网络中的LIF（Leaky Integrate and Fire）神经元模型与HH（Hodgkin-Huxley）模型在动力学特性上的等效性，并进一步从理论上证明了HH神经元可以通过四个以特定方式连接的、具有时变参数的LIF神经元（tv-LIF）来等效其动力学特性。基于这一发现，研究团队设计了一种微架构以增强计算单元的内在复杂性，使得HH网络模型能够在较小规模的架构上模拟出与大规模LIF网络模型相似的动力学特性，从而实现类似的功能计算。
进一步地，团队将由四个tv-LIF神经元构建的“HH模型”简化为s-LIF2HH模型，并通过仿真实验验证了这种简化模型在捕捉复杂动力学行为方面的有效性。
实验结果展示了HH网络模型与s-LIF2HH网络模型在表现力及鲁棒性方面展现出类似的性能水平，这证实了内生复杂性模型在应对复杂任务时的有效性和可靠性。此外，研究揭示HH网络模型在计算资源利用上更显高效，能够大幅度降低内存占用与计算时间，进而提升整体运行效率。研究团队运用信息瓶颈理论对这些研究成果进行了阐释。
本研究为将神经科学中的复杂动态特性融入人工智能领域提供了新的方法和理论支持，旨在搭建起人工智能与神经科学之间的桥梁，并为实际应用中的AI模型优化及性能提升提供切实可行的方案。当前，研究团队已启动更大规模的HH网络研究，以及涉及多分支、多房室神经元等具有更高内在复杂性的项目，预期这将进一步提高大型模型的计算效率和任务处理能力，加速其在实际应用场景中的部署与应用。
相关论文：
（注：原始文本就只有四个字“相关论文”，因此无法确定需要怎样的重写方式，我只能简单地将其重复。如果有更多具体内容或要求，请提供。）
