帝国研究人员发现，脑细胞之间的变异性可能会加快学习速度，并提高大脑和未来人工智能（AI）的性能。

　　新研究发现，通过在大脑网络模拟中调整单个细胞的电特性，网络学习速度快于使用相同细胞的模拟。

　　他们还发现，网络需要更少的调整细胞才能获得相同的结果，并且与具有相同细胞的模型相比，这种方法的能量密集度较低。

　　作者说，他们的发现可以告诉我们为什么我们的大脑如此擅长学习，也可能帮助我们构建更好的人工智能系统，例如可以识别声音和面孔的数字助理或自动驾驶汽车技术。

　　第一作者、伦敦帝国理工学院电气和电子工程系的博士生Nicolas Perez说：“大脑需要节能，同时仍然能够擅长解决复杂的任务。我们的工作表明，大脑和人工智能系统中的神经元多样性可以满足这些要求，并可以促进学习。”

　　该研究发表在《自然通讯》上。

　　为什么神经元像雪花？

　　大脑由数十亿个称为神经元的细胞组成，这些细胞由巨大的“神经网络”连接，使我们能够了解世界。神经元就像雪花：从远处看是一样的，但经过进一步检查，很明显，没有两个是完全相同的。

　　相比之下，人工神经网络（人工智能所依据的技术）中的每个细胞都是相同的，只有它们的连接性不同。尽管人工智能技术发展速度很快，但他们的神经网络学习不如人脑准确或快——研究人员想知道他们缺乏细胞变异性是否可能是罪魁祸首。

　　他们开始研究通过不同的神经网络细胞属性模拟大脑是否可以促进人工智能的学习。他们发现细胞的变异性改善了他们的学习，降低了能耗。

　　帝国电气和电子工程系的主要作者Dan Goodman博士说：“进化给了我们令人难以置信的大脑功能——其中大多数我们才刚刚开始理解。我们的研究表明，我们可以从自己的生物学中吸取重要的教训，使人工智能更好地为我们服务。”

　　调整时间

　　为了进行这项研究，研究人员专注于调整“时间常数”，即每个细胞根据与之连接的细胞正在做什么来决定它想做什么的速度。一些细胞会很快做出决定，只看连接的细胞刚刚做了什么。其他细胞的反应会变慢，根据其他细胞一段时间以来一直在做什么来做出决定。

　　在更改单元格的时间常数后，他们要求网络执行一些基准机器学习任务：对衣服图像和手写数字进行分类；识别人类手势；以及识别口语数字和命令。

　　结果表明，通过允许网络组合缓慢和快速的信息，它能够更好地在更复杂、现实世界的环境中解决任务。

　　当他们改变模拟网络中的变异量时，他们发现表现最好的网络与大脑中看到的变异性量相匹配，这表明大脑可能已经进化到具有恰到好处的变异性，以实现最佳学习。

　　Nicolas补充说：“我们证明，通过模拟某些大脑属性，人工智能可以更接近我们的大脑工作方式。然而，目前的人工智能系统远未达到我们在生物系统中发现的能源效率水平。

　　接下来，我们将研究如何降低这些网络的能耗，使人工智能网络更接近于像大脑一样高效地运行。

　　这项研究由工程和物理科学研究委员会和帝国理工学院院长博士奖学金资助