人工神经元再进一步,存储记忆已成现实

科学家们构建出了一种合成脑细胞的关键部分,这些合成细胞能在毫秒级别上留存记忆,这一成果在将来可能会使类脑计算机成为现实。

这些合成出的关键部分采用离子来产生电信号——与我们大脑中神经元传输信息的方式相同。

现在的计算机可以做很多不可思议的事,但是这依赖于相当高的能耗;与之相反,人脑却格外高效——大约两个香蕉提供的能量就可以支撑它一天的工作。科学家们推测,如果我们能制作出像人脑一样的计算机,计算机的能耗会大大降低(虽然这背后的机制还并不清楚)。而复刻人脑生物机制的一种方法就是像大脑一样利用离子去产生电流。

- Jacob Stead -

在这项于8月6日发表在《科学》期刊上的研究中,来自法国巴黎国家科学研究中心(Centre national de la recherche scientifique)的科研人员们构建了一个人造神经元的计算机模型。和大脑中的神经元一样,这个模型可以用电信号传输信息。研究者输送离子跨越水薄层,以此来模拟真实的离子通道;如此,这些人造神经元能够产生和大脑中神经元一样的电发放。目前,在一项正在进行且尚未发表的工作中,他们甚至还构建了带有这些离子通道的实体模型。

“就我所知,这还是人们第一次用离子做到了这些。”这项研究的共同作者、来自巴黎高等师范学院(École Normale Supérieure)的物理学家莱德里克·博凯(Lydéric Bocquet)说道。

人造神经元模型

Paul Robin, ENS Laboratoire de Physique (CNRS/ENS-PSL/Sorbonne Université/Université de Paris)

在更精细的层面上,研究人员构建了一个系统来模拟动作电位的产生(动作电位即神经元的电发放活动,是大脑行为的基础)。神经元在产生动作电位之前细胞膜处于静息电位(静息电位下细胞膜处于极化状态,膜电位内负外正)。当刺激引起细胞外的阳离子内流时,细胞膜发生去极化。当去极化达到阈值时电压门控的离子通道会开放,使得更多的阳离子进入细胞,直到膜内电位达到最大值后重新极化(朝着静息电位的方向极化过程中可能还会超过静息电位的绝对值,这被称为超极化),这一过程历时几个毫秒。

为了模拟电压门控的离子通道,研究人员对两层石墨烯之间的水薄层进行了建模。在模拟中,研究者分别以一个水分子、两个水分子、三个水分子的厚度对水层进行建模,并且将水层表征成了准二维的狭缝*。博凯指出,研究人员之所以使用二维的环境进行模拟,是因为微粒在二维环境下所受的作用更强,并且会展现出与三维环境中完全不同的性质。研究人员认为这两种特性或许对他们的实验有帮助。

*译者注

根据原论文,该狭缝之所以为“准二维”,是因为两层石墨烯之间的距离限制了离子的纵向运动,并且由成对作用势(pair-wise interaction potential)可以导出,当两个离子间距小于某一值时,其相互作用急剧增大,在“准平面”内的作用远远大于纵向作用。因此,该狭缝内的离子可以近似看作在一个平面(二维)内运动。但是该狭缝仍有厚度,所以被称为“准二维”。

“在物理学中,二维是不常见的”,博凯说道,“所以你可以期待一些新发现。”

- Dani Arias -

在对这个模型进行计算机仿真测试时,科研人员发现:当给离子通道施加一定的电场时,水中的离子会形成一种蠕虫状的结构;当施加更强的电场时,这些结构会以足够慢的速度分解,从而留下某种记忆(或是说关于这种长型结构的某种信息)。

当研究者把两个人造离子通道和一些其他的部件连接起来去进行模拟时,他们发现这个模型可以产生类似于动作电位的电发放,并且它还可以“记住”同一种属性的两种不同状态——一种是离子导电率高的状态,另一种是导电率相对低的状态。在这次模拟中,关于离子状态的记忆留存了几毫秒。这差不多就是真实神经元从产生动作电位到恢复静息状态所需的时间。对于离子来说,这已经是相当长的时间了,因为它们的活动时间尺度通常都是在纳秒级别甚至更短。在真实神经元中,动作电位就等同于神经元的细胞记忆;我们的大脑通过打开和关闭离子通道去创造这样的记忆。

“最后我们得到的模型和现实中的记忆十分相似,但是这个现象背后的机制十分不同。”博凯说道。

- Gasp art -

这个新模型是基于一种叫做“记忆电阻”的电子元件。它有一种独特的特性:它可以从过去的活动中留存信息。不过现有的记忆电阻并不像人脑一样使用液体作为活动基础。

“我和学界其他人采用的记忆电阻,都是典型的凝聚态记忆电阻。”来自乔治华盛顿大学电子计算机工程系的助理教授吉娜·亚当(Gina Adam)说道,她并未参与到此次研究中。她补充说,这项新研究中的液态记忆电阻“很有发展前景,也很有趣”。

她还指出,这项研究可以帮助科学家更好地理解大脑处理信息的过程,发展出类脑计算的新理论——尽管我们可能离实用的类脑计算机还有很长一段路。

- Daniela Gamba -

博凯说,他和他在曼彻斯特大学的合作者们已经用计算机模拟了人工突触(神经元之间传递电信号的部分)。这一技术的应用让他们的理论付诸实现,而且他们已经开始在人工突触上做实验了。

“这像一个游乐场一样,令人十分兴奋”,博凯说,“我们现在可以主动地去探索这些东西了。”

THE END
0.如何用python原生代码实现神经元?(即:解决一元线性回归模型) 问题:让神经元拟合函数y = x + 1 首先,我们需要制作数据集 给神经网络出题, 已知: 求解w, b (1)构造数据集 # 构造数据集importnumpyasnpfrommatplotlibimportpyplotasplt x=np.arange(0,10,0.1)# [0, 0.1, 0.2, 0.3, , 9.9]# 因为现实世界的数据是充满噪声的,我们给jvzquC41yy}/lrfpuj{/exr1r1=bhkfc4:>959
1.神经网络神经元结构神经元网络模型boyboy的技术博客2.1 模型向量化 2.2 多类分类(多个输出) 2.3 神经网络的代价函数 1. 神经元模型 (Neurons Model) 为了构建神经网络模型,我们需要首先思考大脑中的神经网络是怎样的。而神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络,因此先来看看什么是神经元。 jvzquC41dnuh0>6evq4dqv4wa3913B49;:;55:
2.神经元模型与生物神经网络生物神经网络:由多个生物神经元以确定方式和拓扑结构互相连接即形成生物神经网络,是一种更为灵巧、复杂的生物信息处理系统,在宏观上呈现出复杂的信息处理能力。 M一P模型 1943年心理学家 McCulloch 和数学家 Walter Pitts基于生物神经元的特点,提出了M-P模型。这个模型是对生物神经元信息处理过程进行了简化和概括,模jvzquC41dnuh0lxfp0tfv8vsa3=63@92;1gsvrhng1jfvjnnu17189787:?
3.构建你的第一个神经网络模型神经网络模型构建学习率(Learning Rate):控制模型在每次迭代中权重更新的幅度。 激活函数(Activation Function):非线性函数,决定神经元输出的形状,常见的激活函数有Sigmoid、ReLU、Tanh等。 损失函数(Loss Function):衡量预测值与真实值之间的差距,常见的有均方误差(MSE)和交叉熵损失函数。 jvzquC41dnuh0lxfp0tfv8xlfikik8ftvkimg8igvcomu8667;826@<
4.「帕金森动物模型」建立方法详解总结,来看看究竟有哪些?帕金森造模方法: 在注射当天配制好新鲜的MPTP溶液,然后腹腔或皮下注射MPTP。试剂要现用现配。 根据实验要求和目的,可分为快速模型和慢速模型。 快速模型可分为单次注射和多次注射。单次注射的剂为30mg/kg,该模型损伤轻,易恢复;多次注射的剂量为20mg/kg,每隔2h注射1次,共3-4次,该模型损伤快且严重,DA神经元的损伤jvzquC41yy}/jjtfh0ipo8sgktuoi8|gp|nbpp4;5;933>;9:0nuou
5.创新实践基地工作总结(精选13篇)1、实验过程中对动物模型制作、培养大鼠神经元缺血模型和Glu兴奋毒模型、脑缺血损伤检测方法、Glu离子通道活性检测方法等由于没有系统的学习,在实验开始阶段不太熟悉。 2、我们统计调查问卷结果时,由于经验不足,使得整个统计、分析过程繁琐、耗时长,工作量大。 3、分析报告书写的过程中由于没有系统的学习,报告书写不够规范,结果分析不够jvzquC41yy}/{~|gpoo/exr1hctxgw4iqpm{wx4523996B3jvor
6.人工智能研究现状综述范文人工智能这一思想最早的提出是基于对人脑神经元模型的抽象。其早期工作被认为是由美国的神经学家和控制论学者 Warren McCulloch与Walter Pitts共同完成的。在1951年,两名普林斯顿大学的研究生制造出了第一台人工神经元计算机。而其真正作为一个新的概念被提出是在1956年举行的达茅斯会议上。由麦卡锡提议并正式采用了“jvzquC41yy}/i€~qq0ipo8mcqyko1;;;938/j}rn
7.基于神经网络模型自适应控制系统设计及仿真.RBF 网络。 2 1.3 设计要求 1、 设计要求首先完成简单控制系统模块的仿真分析;提出自适应控制系统设计的方法;建立基于神经网络的自适应控制系统的仿真模型;利用 simulink 对基于神经网络的自适应控制系统模型进行仿真;从仿真结果分析基于神经网络模型的自适应控制算法的性能。 2、 原始资料 MATLAB语言;控制系统设计的jvzquC41oc~/dxtm33>/exr1jvsm1;5431652A4736:45;8242644:80ujzn
8.人工神经网络模型如何体现生物神经元的结构和信息处理机制人工人脑的神经元模型如图8.6所示。 图中一个神经元由细胞核、一个轴突、多个树突、突触组成。生物电信号从树突传入,经过细胞核处理,从轴突输出一个电脉冲信号。神经元通过树突与轴突之间的突触与其他神经元相连构成一个复杂的大规模并行网络。 图8.6 人脑的神经元模型[8]。 jvzquC41dnuh0>6evq4dqv4wa38:7B49:;?15>