数学理论预测真实神经元的自组织学习

Mathematical theory predicts self-organized learning in real neurons

日本理化学研究所脑科学中心（CBS）、东京大学和伦敦大学学院的研究人员通过国际合作证明，神经元在学习过程中的自组织遵循一种名为自由能原理的数学理论。

该原理准确预测了真实的神经网络是如何自发重组以分辨传入信息的，以及改变神经兴奋性会如何扰乱这一过程。因此，这些发现对构建类似动物的人工智能和理解学习障碍的案例具有重要意义。该研究发表于8月7日的《自然-通讯》（Nature Communications）杂志上。

当我们学会分辨声音、面孔或气味时，我们大脑中的神经元网络会自动组织起来，以便区分不同的信息来源。这一过程涉及改变神经元之间的连接强度，是大脑所有学习的基础。

日本理化学研究所 CBS 的矶村拓也和他的国际同事最近预测，这种网络自组织遵循定义自由能原理的数学规则。在新的研究中，他们在从大鼠胚胎大脑中提取的神经元中对这一假设进行了验证，这些神经元生长在一个培养皿中，上面有一个网格状的微小电极。

一旦你能分辨出两种感觉，比如声音，你就会发现你的一些神经元会对其中一种声音做出反应，而另一些神经元则会对另一种声音做出反应。这是神经网络重组的结果，我们称之为学习。在培养实验中，研究人员模仿了这一过程，利用神经网络下方的电极网格，以特定模式刺激神经元，从而混合了两个独立的隐藏来源。

经过 100 次训练后，神经元自动变得具有选择性--一些神经元对 1 号信号源的反应非常强烈，而对 2 号信号源的反应则非常微弱，其他神经元的反应则相反。如果事先在培养物中加入提高或降低神经元兴奋性的药物，学习过程就会中断。这表明，培养的神经元所做的工作与人们认为的工作大脑中的神经元所做的工作一样。

自由能原理指出，这种自组织将遵循一种模式，该模式总是能使系统中的自由能最小化。为了确定这一原理是否是神经网络学习背后的指导力量，研究小组利用真实的神经数据反向设计了一个基于该原理的预测模型。然后，他们将前 10 次电极训练的数据输入该模型，并利用它对接下来的 90 次训练进行预测。

每一步，模型都能准确预测神经元的反应和神经元之间的连接强度。这意味着，只需知道神经元的初始状态，就足以确定网络在学习过程中会随着时间的推移发生怎样的变化。

"Isomura 说："我们的研究结果表明，自由能原理是生物神经网络的自组织原理。"它预测了在接受特定感觉输入时学习是如何发生的，以及学习是如何被药物诱导的网络兴奋性改变所破坏的"。

"虽然还需要一些时间，但最终我们的技术将能够模拟精神疾病的电路机制以及抗焦虑药和迷幻药等药物的影响，"Isomura 说。"获取预测模型的通用机制还可用于创建下一代人工智能，像真正的神经网络那样学习。"

More information: Nature Communications (2023). DOI: 10.1038/s41467-023-40141-z

(责任编辑：泉水)

搜索

热门标签:

数学理论预测真实神经元的自组织学习