欧盟人脑计划：新算法模拟生物进化，为大脑如何工作提供见解( 二 )

惊人的创造力
使用遗传编程(GP)作为一种进化算法，来发现尖峰神经元网络中的可塑性规则。 GP将突变和选择压力应用于最初随机的计算机程序群，以人工进化具有所需行为的算法。考虑到数学表达式的演变，研究人员采用特定形式的GP：笛卡尔遗传编程（Cartesiangeneticprogramming ， GCP）。

【欧盟人脑计划：新算法模拟生物进化，为大脑如何工作提供见解】图示：笛卡尔遗传编程中数学表达式的表示和变异。（来源：论文）
研究小组用三种典型的学习场景来对抗进化算法。首先，计算机必须在不接收有关其性能的反馈的情况下检测连续输入流中的重复模式。在第二种场景下，计算机在以特定的期望方式执行时，会收到虚拟奖励。最后，在第三个「引导学习」的场景中，计算机被精确地告知其行为与预期的偏离程度。

图示：笛卡尔遗传编程进化出各种有效的奖励驱动学习规则。（来源：论文）

图示：笛卡尔遗传编程进化出高效的错误驱动学习规则。（来源：论文）

图示：笛卡尔遗传编程进化出各种相关驱动的学习规则。（来源：论文）
「在所有这些场景中，进化算法都能够发现突触可塑性的机制，从而成功地解决了一项新任务，」伯尔尼大学生理学系的通讯作者和共同第一作者JakobJordan博士说。
在这样做的过程中，算法表现出了惊人的创造力：「例如，算法发现了一个新的可塑性模型，其中我们定义的信号被组合成一个新信号。事实上，我们观察到使用这个新信号的网络比以前比使用已知规则的网络学习得更快。」该研究的共同第一作者、RIKEN脑科学中心的MaximilianSchmidt博士强调说。
「我们认为E2L是一种很有前景的方法，可以深入了解生物学习原理，并加快向强大的人工学习机器的发展，」MihaiPetrovoci说。「我们希望E2L能加速对神经系统突触可塑性的研究，」JakobJordan总结道。
这些发现将为健康和患病的大脑如何工作提供新的见解。还可能为开发能够更好地适应用户需求的智能机器铺平道路。
参考内容：
https://www.eurekalert.org/news-releases/934469
https://www.unibe.ch/news/media_news/media_relations_e/media_releases/2021/media_releases_2021/when_algorithms_get_creative/index_eng.html
https://www.cdstm.cn/activity/dtcj/202004/t20200415_945401.html