智東西（公眾號：zhidxcom）
作者 | ZeR0
編輯 | 漠影
智東西8月16日報道，中科院自動化所聯(lián)合清華北大的研究團隊提出了具有內(nèi)生復(fù)雜性的類腦計算方法，今日相關(guān)論文發(fā)表于國際頂級學(xué)術(shù)期刊Nature的子刊Nature Computational Science。
人工智能（AI）領(lǐng)域的最終目標(biāo)是構(gòu)建能實現(xiàn)通用人工智能的系統(tǒng)，讓模型具有更加廣泛和通用的認(rèn)知能力。目前流行的大模型路徑是基于Scaling Law去構(gòu)建更大、更深和更寬的神經(jīng)網(wǎng)絡(luò)，可稱之為“拓展外部復(fù)雜性”的方法，復(fù)雜性主要在于神經(jīng)網(wǎng)絡(luò)的規(guī)模。這一路徑面臨著計算資源及能源消耗難以為繼、可解釋性不足等問題。
計算神經(jīng)科學(xué)和AI的交叉為克服這些障礙提供了一條有希望的途徑。中國科學(xué)院自動化研究所李國齊、徐波研究團隊聯(lián)合清華大學(xué)、北京大學(xué)等借鑒大腦神經(jīng)元復(fù)雜動力學(xué)特性，提出了“具有內(nèi)生復(fù)雜性”的類腦神經(jīng)元模型構(gòu)建方法，改善了傳統(tǒng)模型復(fù)雜外部結(jié)構(gòu)帶來的計算資源消耗問題，可用于尋找將豐富屬性納入神經(jīng)元的合適路徑，為有效利用神經(jīng)科學(xué)來發(fā)展AI提供了示例。
▲不同內(nèi)部和外部復(fù)雜性的典型模型、神經(jīng)元和網(wǎng)絡(luò)
論文共同通訊作者是中國科學(xué)院自動化所李國齊研究員、徐波研究員，北京大學(xué)田永鴻教授。共同一作是清華大學(xué)錢學(xué)森班的本科生何林軒，數(shù)理基科班本科生徐蘊輝，精儀系博士生何煒華和林逸晗。
Nature Computational Science期刊對此評論道：“AI研究更加貼近工程與應(yīng)用，而神經(jīng)科學(xué)的研究更加具有探索性。研究團隊挑戰(zhàn)了這一傳統(tǒng)觀點，并表明更詳細且生物學(xué)上更真實的神經(jīng)元模型可以推動深度學(xué)習(xí)取得更大進展?！?/p>
論文地址：https://www.nature.com/articles/s43588-024-00674-9
模型的表示能力與其總復(fù)雜性（包括內(nèi)生復(fù)雜性和外部復(fù)雜性）有關(guān)。動態(tài)描述更精細、更豐富的神經(jīng)元具有更高的內(nèi)生復(fù)雜性，而連接更廣、更深的網(wǎng)絡(luò)具有更高的外部復(fù)雜性。
為了增強具有簡單連接的基本模型的外部復(fù)雜性，可以擴展拓撲結(jié)構(gòu)，例如通過擴大模型的寬度和深度；為了實現(xiàn)更高的內(nèi)生復(fù)雜性，可以使動態(tài)特性復(fù)雜化，例如通過向模型中添加離子通道或?qū)⑵滢D(zhuǎn)換為多房室模型。兩種方法都能達到相同的總復(fù)雜性水平，并獲得相似的表示能力。
HH（Hodgkin-Huxley）神經(jīng)元模型是一組描述神經(jīng)元細胞膜電生理現(xiàn)象的非線性微分方程，直接反映了細胞膜上離子通道的開閉情況及其與膜電位變化之間的關(guān)系。
作為一個案例研究，研究人員構(gòu)建了一組相當(dāng)于單個HH神經(jīng)元的LIF（Leaky?Integrate and Fire）神經(jīng)元，這為比較和分析具有不同內(nèi)部和外部復(fù)雜性的網(wǎng)絡(luò)提供了一種嚴(yán)格的方法。研究團隊進一步構(gòu)建了不同的神經(jīng)網(wǎng)絡(luò)，包括HH網(wǎng)絡(luò)、s-LIF2HH網(wǎng)絡(luò)、vanilla LIF網(wǎng)絡(luò)、二值人工神經(jīng)網(wǎng)絡(luò)。
▲一種從tv-LIF過渡到HH的方法，它將外部連接的復(fù)雜性收斂到單個神經(jīng)元的內(nèi)部。a.?HH神經(jīng)元結(jié)構(gòu)及相關(guān)電路圖；b. 如何將有4個tv-LIF2HH神經(jīng)元的tv-LIF2HH子網(wǎng)絡(luò)等同于HH神經(jīng)元；c.?單個到連接的等效性；d.?由HH神經(jīng)元與tv-LIF2HH子網(wǎng)絡(luò)的等效連接組成的神經(jīng)網(wǎng)絡(luò)。
上圖中，LIF2HH網(wǎng)絡(luò)中的每條線代表了從前一個子網(wǎng)絡(luò)中的4個LIF神經(jīng)元到整個后一個子網(wǎng)絡(luò)的4個不同連接。
這項研究首先展示了脈沖神經(jīng)網(wǎng)絡(luò)神經(jīng)元LIF模型和HH模型在動力學(xué)特性上存在等效性，進一步從理論上證明了HH神經(jīng)元可以和4個具有特定連接結(jié)構(gòu)的時變參數(shù)LIF神經(jīng)元（tv-LIF）動力學(xué)特性等效。
基于這種等效性，團隊通過設(shè)計微架構(gòu)提升計算單元的內(nèi)生復(fù)雜性，使HH網(wǎng)絡(luò)模型能夠模擬更大規(guī)模LIF網(wǎng)絡(luò)模型的動力學(xué)特性，在更小的網(wǎng)絡(luò)架構(gòu)上實現(xiàn)與之相似的計算功能。
進一步，團隊將由4個tv-LIF神經(jīng)元構(gòu)建的“HH模型”（tv-LIF2HH）簡化為s-LIF2HH模型，通過仿真實驗驗證了這種簡化模型在捕捉復(fù)雜動力學(xué)行為方面的有效性。
▲高精度仿真情況下的等效圖。a.?相同電流注入下單個HH模型和tv-LIF2HH子網(wǎng)絡(luò)的電位輸出；b. 按網(wǎng)絡(luò)中采用的模型分類的三種連接：HH、tv-LIF2HH子網(wǎng)絡(luò)和s-LIF2HH子網(wǎng)絡(luò)連接；c. 將二進制編碼器和簡化后的LIF2HH子網(wǎng)絡(luò)的后續(xù)實驗；d. HH神經(jīng)元和s-LIF2HH子網(wǎng)絡(luò)的脈沖數(shù)和相對觸發(fā)時間誤差。
實驗結(jié)果表明，HH網(wǎng)絡(luò)模型和s-LIF2HH網(wǎng)絡(luò)模型在表示能力和魯棒性上，具有相似的性能，證明了內(nèi)生復(fù)雜性模型在處理復(fù)雜任務(wù)時的有效性和可靠性。
同時，研究發(fā)現(xiàn)HH網(wǎng)絡(luò)模型在計算資源消耗上更為高效，顯著減少了內(nèi)存和計算時間的使用，從而提高了整體的運算效率。研究團隊通過信息瓶頸理論對上述研究結(jié)果進行了解釋。
▲計算資源及統(tǒng)計指標(biāo)分析。a. 每個網(wǎng)絡(luò)在推理和反向傳播過程中的時間消耗；b. 相同輸入的各網(wǎng)絡(luò)的加法運算和乘法運算的FLOP；c. 每個網(wǎng)絡(luò)的可訓(xùn)練參數(shù)；d. 各網(wǎng)絡(luò)互信息歸一化值。
這些結(jié)果反駁了HH網(wǎng)絡(luò)比LIF網(wǎng)絡(luò)消耗更多資源的觀點，并證明了具有內(nèi)生復(fù)雜性的小型模型方法的優(yōu)勢。
該研究為將神經(jīng)科學(xué)的復(fù)雜動力學(xué)特性融入AI提供了新的方法和理論支持，為實際應(yīng)用中的AI模型優(yōu)化和性能提升提供了可行的解決方案。
目前，研究團隊已開展對更大規(guī)模HH網(wǎng)絡(luò)以及具備更大內(nèi)生復(fù)雜性的多房室神經(jīng)元的研究，有望進一步提升大模型計算效率與任務(wù)處理能力，實現(xiàn)在實際應(yīng)用場景中的快速落地。
