南加州大學維特比工程學院網絡物理系統(tǒng)小組的研究人員與伊利諾伊大學厄巴納-香檳分校合作開發(fā)了一種新模型，用于研究大腦深處的信息如何從一個網絡流動到另一個網絡以及這些網絡如何流動。神經網絡簇隨著時間的推移進行自我優(yōu)化。他們的工作記錄在論文《從定量相位成像數據中解讀的腦源性神經元培養(yǎng)物的網絡科學特征》中，被認為是第一個在體外神經元網絡中觀察這種自我優(yōu)化現象的研究，并與現有模型相反。他們的發(fā)現可以為受生物學啟發(fā)的人工智能、腦癌檢測和診斷開辟新的研究方向，并可能有助于或啟發(fā)新的帕金森氏癥治療策略。
研究小組檢查了小鼠和大鼠大腦中神經元網絡的結構和進化，以確定連接模式。通訊作者、電氣與計算工程副教授 Paul Bogdan 通過解釋大腦如何在決策中發(fā)揮作用，將這項工作置于背景中。他提到了當某人被認為在數牌時發(fā)生的大腦活動。他說，大腦實際上可能并沒有記住所有的卡片選項，而是“進行一種不確定性模型”。他說，大腦正在從神經元的所有連接中獲取大量信息。
在這種情況下發(fā)生的動態(tài)聚類使大腦能夠衡量不同程度的不確定性，獲得粗略的概率描述并了解哪種情況的可能性較小。
“我們觀察到，大腦網絡具有非凡的能力，可以最大限度地減少延遲、最大化吞吐量和最大化魯棒性，同時以分布式方式(無需中央管理器或協調器)完成所有這些工作。”謝明謝電氣工程系 Jack Munushian 早期職業(yè)主席的 Bogdan 說道。“這意味著神經網絡相互協商并以一種快速增強網絡性能但連接規(guī)則未知的方式相互連接。”
令博格丹驚訝的是，神經科學所采用的經典數學模型都無法準確復制這種動態(tài)的新興連接現象。使用多重分形分析和一種名為定量相位成像(QPI)的新型成像技術，該技術由該研究的合著者、伊利諾伊大學厄巴納-香檳分校電氣和計算機工程教授 Gabriel Popescu 開發(fā)，研究小組能夠高精度地建模和分析這種現象。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯系刪除！