研究提出神经代码的变化如何解锁大脑的内在学习

我们的大脑非常擅长学习世界上的模式并理解它们。大脑在我们的一生中不断学习和适应，甚至支持学习行为的神经元，例如每天步行上班，也在不断变化。

这种“代表性漂移”发生时行为或任务表现没有任何明显变化。一切似乎都是常规和稳定的，也就是说，你遵循相同的工作路径，制定相同的计划并采取相同的步骤，但与此同时，大脑某些部分的神经活动模式正在发生变化。发表在PNAS杂志上的一项新研究提出了尽管神经代码发生变化，大脑如何保持稳定。

剑桥神经科学家和研究合著者 Michael E. Rule 博士和 Timothy O'Leary 博士认为，神经元(使你的大脑工作的细胞)可以检测到它们的某些输入何时发生变化，并调整影响的强度。神经元具有另一个，以进行补偿，从而支持一种内部学习形式。

“神经代码的这些变化与语言如何随时间逐渐变化具有相似之处，同时忠实地传达共同的想法和概念，”工程系 Leverhulme 早期职业研究员 Rule 博士说。

虽然大脑的某些部分是可塑性的，并且变化很快，但其他部分则表现出长期稳定性。那么神经回路如何在无需不断地重新学习他们已经学习过的东西的情况下相互交流呢?即使是脑机接口——越来越多地被用作认知或身体障碍者的辅助生活设备——也必须应对“漂移”。

研究人员认为，单细胞内的稳态过程可以帮助大脑在变化时“观察自己”，而内部产生的信号有助于稳定的神经群体“学习”如何跟踪不稳定的神经群体。研究人员根据建模和活体大脑活动的数据/观察做出了这一猜想。

工程师们目前是如何开发机器学习算法来跟踪神经表征的变化——自动——研究人员提出，类似于这些算法的东西也可能在大脑中起作用，从众所周知的学习规则和稳态过程中出现。

“这可能解释了可塑性和稳定的神经群体如何能够在大脑中共存，”Rule 博士说。“我们已经知道‘表征漂移’发生在海马体——大脑中在学习和记忆中起主要作用的部分——似乎发生在顶叶皮层——负责感觉感知和整合的区域。我们建议有几种特定机制可以帮助使这种可塑性与大脑的长期稳定性兼容。”

工程系副教授 O'Leary 博士说，这项研究强调了“漂移”可能源于持续学习的想法。

“人工智能存在一个巨大的未解决的挑战，即构建可以持续学习而不会破坏先前学习信息的算法的问题，”他说。“大脑显然实现了这一点，而这项工作是朝着寻找可以做到这一点的算法方向迈出的一步。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！