这一新型类脑计算方法，可改善传统模型通过向外拓展规模带来的计算资源消耗问题，也为有效利用神经科学发展人工智能提供了示例。相关成果论文近日在国际专业学术期刊《自然-计算科学》(Nature Computational Science)发表。
合作团队介绍说，构建更加通用的人工智能，让模型具有更加广泛和通用的认知能力，是当前人工智能领域发展的重要目标。目前流行的大模型路径是基于“尺度定律”(Scaling Law)去构建更大、更深和更《123696官方网站下载链接》宽的神经网络，可称之为“基于外生复杂性”的通用智能实现方法，但这一路径面临着计算资源及能源消耗难以为继、可解释性不足等问题。
在本项研究中，合作团队首先展示脉冲神经网络神经元LIF模型和HH模型在动力学特性上存在等效性，进一步从理论上证明HH神经元可以和4个具有特定连接结构的时变参数LIF神经元(tv-LIF)动力学特性等效。
基于这种等效性，团队通过设计微架构提升计算单元的内生复杂性，使HH网络模型能够模拟更大规模LIF网络模型的动力学特性，在更小的网络架构上实现与之相似的计算功能。随后，团队进一步将由4个tv-LIF神经元构建的“HH模型”(tv-LIF2HH)简化为s-LIF2HH模型，并通过仿真实验验证这种简化模型在捕捉复杂动力学行为方面的有效性。
这次研究的实验结果表明，HH网络模型和s-LIF2HH网络模型在表示能力和鲁棒性上具有相似的性能，验证了内生复杂性模型在处理复杂任务时的有效性和可靠性。同时，研究还发现，HH网络模型在计算资源消耗上更为高效，显著减少内存和计算时间的使用，从而提高了整体的运算效率。
合作团队通过信息瓶颈理论对他们的研究结果进行解释认为，本项研究为将神经科学的复杂动力学特性融入人工智能提供新的方法和理论支持，为实际应用中的人工智能模型优化和性能提升提供可行的解决方案。
