研究承担单位
中国科学院自动化研究所
研究目标
本项目的研究目标为，类脑脉冲神经网络机理方面研究各类的神经元模型、生物可塑性法则、生物网络框架在攻击、防御等方面的作用，对不同的类脑神经网络的鲁棒性进行分析。本项目着重研究类脑神经网络模型的特点，如低能耗、异步时序信息处理能力，高抗噪性能等，通过分析模型的内部组成、学习方法、框架构成等，研究类脑智能模型在主动攻击、安全防御等方面的网络特性，通过构建基于类脑脉冲网络的综合攻防评测平台，测试已有脉冲网络的安全特性。
重点任务
以深度神经网络为基础的人工智能模型在识别图像、语音、文字等模式信息取得优异的表现，甚至在某些方面性能超过了人类。然后，生物大脑具有处理复杂多变环境信息的能力，这一点是当下人工智能所欠缺的。生物大脑的高效性源于多个方面，包括大脑神经元的种类，数量以及连接的复杂性，这些都是当下脑科学与神经计算科学重点研究的对象。此外，神经元发放的脉冲序列所具有的时间维度信息也有可能是大脑产生高级功能的关键。量子生物学研究发现一些生物反应过程中可以观测到量子效应，量子脑动力学（QBD，Quantum Brain Dynamics）则试图用量子场论解释大脑功能产生。此外，量子信息和神经元脉冲之间具有机制上的相似性。量子叠加态以希尔伯特空间的复向量表示，对应的神经元脉冲也具有频率和相位时空维度信息，而传统的人工神经网络只在实数空间表示信息，信息维度的拓展意味着表示能力加强。QS-SNN模型将量子信息与神经元脉冲频率-相位编码模式相结合，能够很好地处理背景翻转的图片。
图 量子叠加态脉冲神经网络模型
基于量子图片处理（QIP）原理，背景翻转的图片被编码成量子叠加态形式，进一步转化为不同相位和频率的神经元脉冲，作为脉冲神经网络的输入。量子图片处理是将数字图片编码到量子计算机，利用量子计算机指数级并行能力，得到比传统计算机更快的图像处理能力。上述方法不同，QS-SNN是将原始图片和背景翻转图片同时编码进量子叠加态，得到编码互补信息的量子态图片，并进一步将量子态图片编码成不同相位和频率的神经元脉冲。实验表明，QS-SNN能够在处理背景翻转的图片以及加入背景噪声的图片获得超过传统卷积神经网络的性能。将图片背景翻转后，传统的卷积网络模型基本不能识别，而量子叠加态脉冲神经网络(QS-SNN)基本能恢复翻转前识别效果。相关工作近期发表于Cell旗下综合性期刊《交叉科学》（iScience）。
成果展示：
论文 |
发表于 |
对应创新点 |
|
Quantum Superposition Inspired Spiking Neural Network
|
iScience |
量子编码
多房式神经元
|
https://www.sciencedirect.com/science/article/pii/S2589004221008488 |
GLSNN: A Multi-Layer Spiking Neural Network Based on Global Feedback Alignment and Local STDP Plasticity |
Frontiers in Computational Neuroscience |
全局反馈
结合
局部突触可塑性
|
https://www.frontiersin.org/articles/10.3389/fncom.2020.576841/full |
Brain Inspired Sequences Production by Spiking Neural Networks with Reward-Modulated STDP |
Frontiers in Computational Neuroscience |
符号序列生成
群体编码
STDP结合RSTDP
|
https://www.frontiersin.org/articles/10.3389/fncom.2021.612041/full |
A Brain-Inspired Causal Reasoning Model Based on Spiking Neural Networks |
IJCNN 2021 |
群体编码
因果推理
|
https://ieeexplore.ieee.org/abstract/document/9534102 |
A Curiosity-Based Learning Method for Spiking Neural Networks |
Frontiers in Computational Neuroscience |
好奇心
低能耗
|
https://internal-journal.frontiersin.org/articles/10.3389/fncom.2020.00007/full |
A neural algorithm for Drosophila linear and nonlinear decision-making |
Scientific Reports |
非线性两难抉择
多巴胺调控
去抑制神经环路
|
https://www.nature.com/articles/s41598-020-75628-y |
Stylistic Composition of Melodies based on a Brain-inspired Spiking Neural Network. |
Frontiers in Computational Neuroscience |
层次化音乐知识网络
多脑区协同作曲
|
https://www.frontiersin.org/articles/10.3389/fnsys.2021.639484/full |
Temporal-Sequential Learning with a Brain-Inspired Spiking Neural Network and Its Application to Musical Memory |
Frontiers in Computational Neuroscience |
神经元选择性
多脑区协同音乐记忆
|
https://www.frontiersin.org/articles/10.3389/fncom.2020.00051/full |
Dynamically Optimizing Network Structure Based on Synaptic Pruning in the Brain. |
Frontiers in Systems Neuroscience |
突触减枝
低能耗
|
https://www.frontiersin.org/articles/10.3389/fnsys.2021.620558/full |
