Я имею в виду вычислительную неврологическую сторону исследований нейронных сетей, которая фокусируется на биологической точности. Я читал ссылки на улучшение биологического реализма (используя, скажем, импульсные нейроны или связывающие нейроны различных типов) путем имитации известных свойств реальных нейронов (потенциалы действия и тому подобное). Однако мне не удалось найти подробностей о том, как эффективность таких попыток измеряется эмпирически.
Например, культивированные нейронные сети (такие как нейрочип ) можно использовать в качестве эталона: создайте ANN и BNN с одинаковым количеством и расположением нейронов, дайте им одинаковые входные данные и сравните результаты... Имеет что-то вроде что было покушение? Как обычно измеряется биологическая точность ИНС?
Один из способов оценить биологическую достоверность искусственной нейронной сети — посмотреть, насколько нейронная сеть абстрагируется от поведения реальных нейронов.
Например, в психологии и машинном обучении обычно используется сигмоидальная функция активации для определения выхода узла. Если вас беспокоит биологическая правдоподобие, можно было бы предпочесть использовать модель Ходжкина-Хаксли . (См. также: другие нейронные модели ).
Для многих практиков биологическая достоверность не является главной задачей. В большинстве ИНС каждый узел на самом деле не реализуется одним нейроном в мозгу, и, таким образом, использование более реалистичной функции активации не обязательно делает сеть более реалистичной с биологической точки зрения.
Лично я не думаю, что поведенческая точность биологической нейронной сети (по сравнению с искусственной нейронной сетью) ничего не говорит о биологической достоверности сети. Использование большего количества абстракций может привести к более похожему поведению из-за меньшего переобучения. Еще одна проблема заключается в том, что ИНС может давать такое же поведение, как и BNN, даже если фактические вычисления, связанные с этим, сильно отличаются.
Из-за того, что я новичок в этой области, я могу говорить только о сравнении биологической правдоподобия при обсуждении Neural Engineering Framework (NEF) и функционального моделирования. Чего не хватает в этом ответе, так это перспективы моделирования исключительно снизу вверх в том же духе, что и проект Blue-Brain , но я оставлю это другому пользователю.
Одно из утверждений, побуждающих разработчиков когнитивных моделей использовать NEF, заключается в том, что он более правдоподобен с биологической точки зрения, чем ИНС с обратной опорой. Что обычно обсуждается, так это то, что нейронный механизм кодирования, декодирования и обучения NEF имеет больше научных доказательств, утверждающих их правдоподобие, чем ANN с обратной опорой .
С более систематической биологически правдоподобной точки зрения NEF также используется для построения нейронных сетей, использующих архитектуру семантических указателей, которая также считается более правдоподобной с биологической точки зрения по ряду причин. Прежде всего, количество нейронов, необходимых для большинства моделей, значительно меньше, чем у других предложенных моделей ( см. работу Эрика Кроуфорда о представлении знаний ). Во-вторых, можно показать, что модификации сети, имитирующие эффекты неврологических расстройств, имеют тот же эффект, что и эти расстройства ( см. работу Дэна Расмуссена об общем интеллекте ).
С точки зрения подхода «снизу вверх» NEF может помочь и здесь. NEF не зависит от модели нейронов, поэтому его можно использовать с любой из моделей нейронов, упомянутых вами в вопросе. Гипотетически можно было бы создать сеть, аналогичную сети, выращенной на нейрочипе, и сравнить различные входы и выходы, как вы предложили, но я никогда не слышал о проведении такого исследования.
Артем Казначчеев
Как только
Арнон Вайнберг
Как только
Как только
Арнон Вайнберг
Арнон Вайнберг