理研脑科学中心(CBS)在日本,与同事一起,已经表明,自由能原理可以解释如何优化神经网络的效率。发表在《通信生物学,研究首先展示了自由能原理是如何依据神经网络能量消耗降至最低。概念,它显示了一个能量最小化神经网络可以解决迷宫。这一发现将有助于分析受损的大脑功能生成优化的思想障碍以及神经网络的人工智能。
生物优化是一个自然的过程,它使我们的身体和行为尽可能高效。一个行为的例子中可以看到的过渡,猫让飞驰的运行。远不是随机的,速度的精确切换时需要的能量疾驰变得不那么需要运行。在大脑中,神经网络优化允许有效的控制行为和传播信息,同时仍然保持和重新配置适应不断变化的环境的能力。
与简单的成本/收益的计算,可以预测一只猫将开始疾驰的速度,理研哥伦比亚广播公司(CBS)的研究人员正在试图发现地下多神经网络self-optimise的基本数学原理。自由能原理称为贝叶斯推理的概念,这是关键。在此系统中,代理是由新传入的不断更新感觉数据以及自己的过去的输出,或决定。研究者比较了自由能原理与完善的规则,控制神经连接的强度可以改变网络内感官输入的变化。
我们能够证明标准神经网络功能延迟调制Hebbian可塑性,执行计划和自适应行为控制,考虑到以前的“决定”,“第一作者和单位领导说Isomura。“重要的是,他们这样做同样的方式,他们将在遵循自由能原理。”
一旦他们确定神经网络理论遵循自由能原理,他们测试使用模拟理论。神经网络自组织通过改变他们的神经连接的强度,将过去的决策与未来的结果。在这种情况下,神经网络可以看作是由自由能原理,使它学习正确的路线通过迷宫试验和错误统计最优的方式。
这些研究结果指向一组统一的数学描述神经网络自优化的规则。Isomura解释说:“我们的研究结果保证任意神经网络可以扮演一个代理,遵循自由能原理,提供一个通用的描述大脑”。这些规则,以及研究者的新逆向工程技术,可用于研究神经网络决策等思想障碍患者精神分裂症和预测的神经网络方面的改变。
这些通用的数学规则的另一个实际应用领域的可能人工智能,尤其是那些设计者希望能够有效地学习,预测,计划和决策。我们的理论可以大大降低设计的复杂性自学习神经形态硬件来执行各种各样的任务,对新一代人工智能,将重要的Isomura说。
