数学理论预测真实神经元的自组织学习

理化学研究所脑科学中心 (CBS)、东京大学和伦敦大学学院的研究人员进行的一项国际合作表明，神经元“学习”时的自组织遵循一种称为自由能原理的数学理论。该原理准确地预测了真实的神经网络如何自发地重组以区分传入的信息，以及改变神经兴奋性如何破坏该过程。因此，这些发现对于构建类动物人工智能和理解学习障碍的案例具有重要意义。该研究发表于 8 月 7 日《自然通讯》杂志上。

当我们学会区分声音、面孔或气味时，大脑中的神经元网络会自​​动组织起来，以便能够区分传入信息的不同来源。这个过程涉及改变神经元之间的连接强度，是大脑所有学习的基础。RIKEN CBS 的 Takuy​​a Isomura 和他的国际同事最近预测，这种类型的网络自组织遵循定义自由能原理的数学规则。在这项新研究中，他们将这一假设应用于从大鼠胚胎大脑中取出并在微型电极网格顶部的培养皿中生长的神经元进行测试。

一旦你能够区分两种感觉，比如声音，你会发现你的一些神经元对其中一种声音做出反应，而其他神经元对另一种声音做出反应。这是神经网络重组的结果，我们称之为学习。在他们的培养实验中，研究人员通过使用神经网络下方的电极网格来模拟这个过程，以混合两个单独的隐藏源的特定模式刺激神经元。经过 100 次训练后，神经元自动变得有选择性——一些神经元对源 #1 反应非常强烈，对源 #2 反应非常弱，而另一些神经元则相反。当预先添加到培养物中时，提高或降低神经元兴奋性的药物会扰乱学习过程。

自由能原理指出，这种类型的自组织将遵循一种始终最小化系统中自由能的模式。为了确定这一原理是否是神经网络学习背后的指导力量，该团队使用真实的神经数据对基于它的预测模型进行逆向工程。然后，他们将前 10 次电极训练课程的数据输入模型，并用它来预测接下来的 90 次电极训练。在每一步，模型都准确地预测了神经元的反应以及神经元之间的连接强度。这意味着仅仅知道神经元的初始状态就足以确定网络在学习发生时如何随时间变化。

“我们的结果表明，自由能原理是生物神经网络的自组织原理，”矶村说。“它预测了学习在接受特定感官输入时如何发生，以及药物引起的网络兴奋性改变如何扰乱学习。”

“虽然这需要一些时间，但最终我们的技术将能够模拟精神疾病的回路机制以及抗焦虑药和迷幻药等药物的作用，”Isomura 说。“获取预测模型的通用机制也可用于创建像真正的神经网络一样学习的下一代人工智能。”