一种新颖的混沌理论启发的神经元架构

人工智能（AI）界广泛使用的机器学习（ML）和深度学习（DL）算法在实际中的成功归功于可用于训练的大规模数据集和巨大的计算资源。尽管 AI 取得了巨大的实际成功，这些算法仅松散地受生物大脑启发，并未模仿大脑中神经元的任何基本特性，其中一个特性就是生物神经元的混沌放电。这促使我们开发一种新颖的神经元架构，其中单个神经元本质上具有内在混沌性。通过利用混沌的拓扑传递性，我们的神经元网络能够以极少的训练样本执行分类任务。对于 MNIST 数据集，仅使用低至总量 $0.1 \%$ 的训练数据，我们的方法在每类最多 $7$ 个训练样本的分类准确率上优于 ML 并与 DL 相当。对于 Iris 数据集，我们的准确率与 ML 算法相当，即使每类仅有两个训练样本，我们也报告了高达 $95.8 \%$ 的准确率。本工作凸显了混沌及其特性对于学习的有效性，并通过紧密模仿大脑中神经元的混沌性质为混沌启发的神经元架构铺平了道路。