中国日报8月18日电 构建愈加通用的人工智能，让模型具有更广泛和通用的认知才能，是当时人工智能（AI）范畴展开的重要方针。现在盛行的大模型途径是依据Scaling Law(标准规律)去构建更大、更深和更宽的神经网络，可称之为依据外生杂乱性的通用智能完成办法。这一途径面临着核算资源及能源耗费难以为继、可解说性缺乏等问题。中国科学院自动化研讨所李国齐、徐波研讨团队联合清华大学、北京大学等学习大脑神经元杂乱动力学特性，提出了依据内生杂乱性的类脑神经元模型构建办法，改进了传统模型经过向外拓宽规划带来的核算资源耗费问题，为有用运用神经科学展开人工智能供给了示例。

　　本研讨首要展现了脉冲神经网络神经元LIF（Leaky Integrate and Fire）模型和HH（Hodgkin-Huxley）模型[ HH神经元模型，全称为Hodgkin-Huxley模型，由英国生理学家Alan Hodgkin和Andrew Huxley在1952年依据鱿鱼巨型轴突的电生理试验数据提出，用以描绘神经脉冲的发生和传导，并因而获得了1963年的诺贝尔医学或生理学奖。该模型是一组描绘神经元细胞膜电生理现象的非线性微分方程，直接反映了细胞膜上离子通道的开闭状况及其与膜电位改变之间的联系。HH模型是神经科学范畴中的一个重要里程碑，它初次从分子水平上解说了动作电位的发生机制，为后续神经元电生理研讨奠定了根底。

　　]在动力学特性上存在等效性，进一步从理论上证明了HH神经元可以和四个具有特定衔接结构的时变参数LIF神经元（tv-LIF）动力学特性等效。依据这种等效性，团队经过规划微架构提高核算单元的内生杂乱性，使HH网络模型可以模仿更大规划LIF网络模型的动力学特性，在更小的网络架构上完成与之类似的核算功用。进一步，团队将由四个tv-LIF神经元构建的HH模型（tv-LIF2HH）简化为s-LIF2HH模型，经过仿真试验验证了这种简化模型在捕捉杂乱动力学行为方面的有用性。

　　试验依据成果得出HH网络模型和s-LIF2HH网络模型在表明才能和鲁棒性上具有类似的功能，验证了内生杂乱性模型在处理杂乱使命时的有用性与可靠性。一起，研讨之后发现HH网络模型在核算资源耗费上更高效，明显减少了内存和核算时刻的运用，来提高了全体的运算功率。研讨团队经过信息瓶颈理论对上述研讨成果进行了解说。

　　本研讨为将神经科学的杂乱动力学特性融入人工智能供给了新的办法和理论支撑，为实践使用中的AI模型优化和功能提高供给了可行的处理方案。现在，研讨团队已展开对更大规划HH网络，以及具有更大内生杂乱性的多分支多房室神经元的研讨，有望逐渐提高大模型核算功率与使命处理才能，完成在实践使用场景中的快速落地。

　　该作业宣布在《Nature Computational Science》，一起通讯作者是中国科学院自动化所李国齐研讨员、徐波研讨员，北京大学田永鸿教授。一起一作是清华大学钱学森班的本科生何林轩（自动化所实习生），数理基科班本科生徐蕴辉（自动化所实习生），清华大学精仪系博士生何炜华和林逸晗。

　　上海旅游节落幕：招待市民游客3876.74万人次 对话全球展国际都市形象

　　上海旅游节落幕：招待市民游客3876.74万人次 对话全球展国际都市形象