生物行移动版

在神经形态计算领域，储备池计算（Reservoir Computing, RC）因其高效处理复杂时序数据的能力而备受关注。然而，如何优化储备池内部的动力学特性以实现最优计算性能，一直是该领域的核心挑战。近期发表于《Nature Communications》的一项研究，通过模拟生物大脑中精细调节的兴奋性-抑制性（Excitation-Inhibition, E-I）平衡，为提升储备池计算的性能提供了一种创新方案。

研究指出，生物神经网络通过动态调整兴奋性神经元与抑制性神经元之间的相互作用，维持系统在“临界点”附近的动力学状态，从而实现信息处理效率的最大化。受此启发，研究团队设计了一种自适应控制机制，能够实时监测并调节储备池内部的E-I平衡。通过引入反馈回路，系统能够在计算任务执行过程中，根据输入信号的特性动态调整抑制性权重，使储备池始终保持在最佳的混沌边缘状态（Edge of Chaos）。

实验结果显示，这种自适应控制策略在多项基准测试中表现卓越。与传统的固定权重储备池相比，该方法在处理非线性时序预测、语音识别及复杂动力学系统建模任务时，计算误差显著降低。此外，研究人员还发现，该机制赋予了储备池更强的抗噪能力，即便在输入信号存在高强度背景噪声的情况下，系统依然能够提取出关键的特征信息，展现出极高的鲁棒性。

该研究不仅在算法层面优化了储备池计算的性能，还为构建低功耗、高效率的类脑计算硬件提供了重要的理论支撑。通过在物理硬件中实现这种自适应E-I平衡控制，未来有望开发出能够实时处理大规模复杂数据的边缘计算设备，进一步推动人工智能向更具生物合理性的方向演进。

Journal Reference: F. M. J. Willems, et al. Boosting reservoir computing with brain-inspired adaptive control of E-I balance. Nature Communications (2025).