基于人脑神经元与神经信息交流机制的类脑计算模型研究

基于人脑神经元与神经信息交流机制的类脑计算模型研究

摘 要：在当下社会人工智能发展得如火如荼，但在发展火热的背后，以深度学习为代表的传统人工智能算法已经到达瓶颈期，所需的巨大的数据样本和和计算资源使研究工作停滞不前。因此，本文从人脑出发，探索基于人脑神经元机制的类脑计算模型及其中具有代表性的工具----脉冲神经网络。

关键词：人工智能；神经网络；脑神经科学；类脑智能；脉冲神经网络；神经元；

1人工智能的研究现状
人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
创新生态布局成为人工智能产业发展的战略高地。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。

2人工智能解决的常见问题和技术
深度学习技术该项技术通过把海量与任务相关的数据直接投放到模型中，依据人脑思维模式而建立的系统就会自动利用这些数据不断学习，丰富自我认识。这种近乎“黑盒子”一样的计算方式较好地再现了人类大脑的“归纳”、“推测”过程，在图像识别、分类方面有着极为优异的表现。但是正如前文所提到的，深度学习技术在真正处理现实图像、信号方面依然需要不断改进。
深度学习技术致力于使机器人具有自我学习能力，而另一个技术热点——强化学习的主要目的是帮助机器人形成从环境到行为映射的学习，在机器人智能控制等领域有许多应用。强化学习这种训练方法不是告诉系统如何产生正确的动作，而是通过评价产生动作的好坏来不断改进运动方案，进而帮助机器人找到环境中的最优行动路径。

类脑智能技术应该充分学习人脑的思维模式，从仿生角度努力寻求人工智能的突破。

3人脑的神经元与神经信息交流机制
3-1 神经元的组成
1.细胞体：由细胞膜、细胞核、细胞质、细胞器组成。进行着维持生命的各种代谢活动。
2.树突：是胞体的延伸，负责接受刺激，并把刺激传向胞体。
3.轴突：也被称作神经纤维，负责动作电位的快速传导和物质的转运。

3-2神经元信息交流基本流程
1.接收信号：化学信号-神经递质、气味等；物理信号触摸、光线、音波和电信号等
2.突触后神经元细胞膜变化-导致电流流入或流出神经元，电流是由离子流传导的。
3.动作电位-长程传送的信号是锋电位启动区产生的峰值电位(动作电位)，动作电位的结果是沿轴突下行传输到轴突末梢，引起神经递质的释放。

3-3神经元的特性
神经元的极性是指树突是信息的接受端，为输入极；另一端的轴突是信息的输出端。树突和轴突分别向其靶方向的细胞生长并建立突触联系。
电活性是神经细胞膜的特性，决定神经元对刺激的反应、换能和传导，表现为在静息膜电位基础上产生的去极化、动作电位传导和复极化过程；而化学活性参与神经元之间的信息传递，表现为神经递质的合成、运输、分泌和重吸收或灭活。

4 类脑计算模型系统的研究
4-1 类脑计算与深度学习的对比
类脑计算从结构上追求设计出像生物神经网络那样的系统，从功能上追求模拟大脑的功能，从性能上追求大幅度超越生物大脑，也称神经形态计算
现在深度学习一般通过卷积神经网络（CNN）或递归神经网络（RNN）来实现。但CNN和RNN都属于人工神经网络，其中的人工神经元，至今仍在使用上世纪40年代时的模型。”虽然现在设计出的人工神经网络越来越大，越来越复杂，但从根本上讲，其神经元模型没有太大改进。
类脑计算试图模拟生物神经网络的结构和信息加工过程。它在软件层面的尝试之一是脉冲神经网络（SNN）。在人工神经网络的神经元之间的连接被称为权值，而在脉冲神经网络中，神经元之间却是神经脉冲，信息的表达和处理通过神经脉冲发送来实现。就像我们的大脑中，有大量神经脉冲在不停传递和流转，因此脉冲神经网络在表达和处理信息时，比深度学习的时间性更突出，更加适合进行高效的时空信息处理。

4-2 脉冲神经网络的三种拓扑结构
1.前馈型脉冲神经网络
在多层前馈脉冲神经网络结构中，网络中的神经元是分层排列的，输入层各神经元的脉冲序列表示对具体问题输入数据的编码，并将其输入脉冲神经网络的下一层。最后一层为输出层，该层各神经元输出的脉冲序列构成网络的输出。输入层和输出层之间可以有一个或者多个隐藏层。
2.递归型脉冲神经网络
递归脉冲神经网络是指网络中具有反馈回路的脉冲神经网络，由于其信息编码及反馈机制不同于传统递归人工神经网络，由此网络的学习算法构建及动力学分析较为困难。递归脉冲神经网络可应用于诸多复杂问题的求解中，如语言建模、手写数字识别以及语音识别等。递归脉冲神经网络可分为两大类：全局递归脉冲神经网络；另一类是局部脉冲神经网络。
3. 混合型脉冲神经网络
混合型脉冲神经网络即包括前馈型结构，又包含递归型结构。

4-3 信息的脉冲序列编码方法
生物可解释性的脉冲神经网络，采用精确定时的脉冲序列来编码神经信息。神经网络内部的信息传递是由脉冲序列完成的，脉冲序列是由离散的脉冲时间点组成的时间序列，因此，在进行脉冲神经网络的模拟与计算时，包含以下步骤：
①当输入数据或神经元受到外界刺激时，经过特定的脉冲序列编码方法，可将数据或外界刺激编码成特定的脉冲序列；
②脉冲序列在神经元之间传递并经过一定的处理，处理之后将输出的脉冲序列通过特定的解码方法进行解码并给出具体的响应。
对于神经信息的脉冲序列编码问题，借鉴生物神经元的信息编码机制，研究者提出了许多脉冲神经网络的脉冲序列编码方法。例如，首脉冲触发时间编码方法、延迟相位编码方法、群体编码方法等。

5结论及展望
人工智能从某种程度上正在超越人类本身，正如我们最初的期许那样。然而人工智能的发展必须遵循人类社会的基本道德规范和行为准则，以防其对人类社会造成巨大的灾难。人工智能是一个伟大的技术，它本身是中性的，可能被用于好的地方或者坏的地方，所以我们必须确保它的使用者是负责任的。这样的担忧并非空穴来风，在人工智能飞速发展的同时，与发展相匹配的规范也需要建立，并随之进行完善。同时我们也要重视保证其发展过程中的公平性、可控性、替代性和道德性，让人工智能技术更好地为人类服务，助力社会发展进步，促使人类社会进入全面的智能时代。
人工智能是一门多学科交叉的综合性前沿学科，理论上还有待完善，技术上正逐渐突破，应用上正快速扩展和渗透到各行各业。随着我国政府的强力支持和各大科技公司的大力投入，中国人工智能将在未来几年进入一个黄金时代，中国将会在人工智能领域中发挥举足轻重的引领作用。
参考文献：
[1] 徐波. 类脑智能;人工神经网络;记忆;注意和推理;脉冲神经网络;多脑区协同;自主学习[J]. 中国科学院院刊, 2016, 31(7):793-802.
[2] 刘洪波. 神经认知计算框架；神经元[C]. 脑与认知科学，2019(12)
[3] 刘建立, 张剑心. 视觉审美体验的类脑计算模型研究进展[J]. 计算机工程与应用, 2019(16):18-24.
[4] 王秀青, 曾慧, 韩东梅,等. 基于脉冲神经网络的类脑计算[J]. 北京工业大学学报, 2019(12).