参与：微胖、朱思颖

构建了一个新的计算模型，可能有助于我们理解防止其他神经元放电的抑制神经元在计算上所扮演的角色。

MIT CSAIL（计算机科学和人工智能实验室）研究员们开发出一个新的大脑神经回路计算模型，直播，这一模型将有助于理解抑制神经元（阻止其他神经元放电）的生物学功能。

这一模型描述了一个由一列输入神经元和等量输出神经元构成的神经回路，执行神经科学家所谓的「赢家通吃」策略（winner-take-all。重要研究发现，神经系统以这样一种简单的竞争机制保证了使用频率较高、输入较强的环路联接被保留下来并加以强化，而使用频率低、输入较弱的联接被去除，从而使系统资源得到最优化的分配，神经环路的联接更加精确。这种基于竞争的分子机制，对理解正常脑发育十分重要，对研究自闭症（又称孤独症）、精神分裂症等发育性神经系统疾病有重要的借鉴作用。——译者注），其中，来自多个输入神经元的信号仅引发一个输出神经元的信号。

运用理论计算机科学工具，直播，研究员们证明：在他们的模型条件下，一种特定抑制神经元的配置是能够提供激发「赢家通吃」操作的最有效手段。这一模型能对大脑中抑制神经元的行为做出实证性预测，从而为计算分析援助神经科学研究的方式提供一个范本。

研究员们将在这周的理论计算机科学创新（Innovations in Theoretical Comptuer Science）大会上展示他们的研究成果。MIT 软件科学和工程系的 NEC 教授 Nancy Lynch 是这篇论文的第一作者。加入这项研究的还有她研究团队里的一位博后 Merav Parter，以及 MIT 电子工程与计算机科学系的研究生 Cameron Musco。

多年以来，Lynch 的团队在自组织网络（ad hoc networks）的交流和资源分配上开展研究，自组织网络是一种组织成员不断离开和再次加入的网络。直到最近，团队开始使用网络分析工具来研究生物学现象。

「计算机网络的行为（或者其他设备如手机）与生物系统之间有密切的对应关系，」Lynch 谈到。「我们尝试去寻找这样一些问题，这些问题能够从这样的分布式计算视角中受益，并关注我们可以证明出数学性质的算法。」

人工神经学

近年以来，人工神经网络——计算机模型几乎都是基于大脑结构而构建的。此后，从语音转录到面部识别软件，人工智能系统里一些最快速的改进都得益于人工神经网络。

一个人工神经网络包含一系列结点（nodes），这些节点就如一个个神经元，单个结点的信息处理能力有限，但结点之间的相互联系非常稠密。数据会首先输入到第一层结点中，如果一个有阈值判定条件的给定结点接收到数据之后，比如说这个数据值超过某一特定值，那么这个结点就被激发了也即把信号沿着它所有的输出连接传给下一层结点。

所有的这些输出连接每一个都是有关联权重值的，这些权重值可以增强或者减弱传递信号。下一层的每一个结点将会接收到第一层多个结点输出的带有权重的信号；每个结点将会把所有的输入信号累加起来，同理，如果所有信号的累加总值超过某一阈值，这个结点就被激发了，且这个节点的所有输出信号传递到下一层，如此进行下去。

在人工智能应用中，我们使用样本数据「训练」神经网络，不断调整权重和放电阈值，直到最终层的输出能持续表征出一些计算问题的解决方案。

生物合理性

Lynch, Parter 和 Musco 对这款设计做了一些修改，让它更具生物合理性。第一处修改是增加了抑制「神经元」。一个标准的神经网络中，连接的权重值常常是正的，或者可能为正或负。但是，大脑中的一些神经元显然完全起抑制作用，防止其他神经元放电。MIT 研究人员将这些神经元建模为仅有负权重的连接节点。

许多人工智能应用也是「前馈」网络，信号的传递方向是单一的，从接收输入数据的第一层单向传递到输出计算结果的最后一层。但是，大脑连接要复杂的多。Lynch 等人设计的回路包括

反馈：信号经由输出神经元被传递给抑制神经元，它的输出再接着被传递回给输出神经元。输出神经元的信号也反馈给自身，实验证实，这对赢者通吃的策略来说非常重要。

最后，研究人员的网络是概率性的。在一个典型的人工神经网络中，如果节点输入值超过阈值，节点就会放电。但是，大脑中，增大信号通过输入神经元的力量只会增加一个输出神经元放电的几率。研究人员模型中的节点也是这种情况。这一修改对赢者通吃的策略来说，再次起到了关键作用。