超越脉冲网络：树突放大与输入分离的计算优势

大脑能高效学习广泛任务，这激励人们寻找受生物学启发的的学习规则以改进当前人工智能技术。多数生物模型由点神经元构成，无法达到机器学习中的最优性能。近期工作提出，树突输入分离（神经元在分离区室中接收感觉信息和高阶反馈）与高频脉冲簇的生成将支持生物神经元中的误差反向传播。然而，这些方法需要将具有精细时空结构的误差传播至神经元，这在生物网络中不太可能实现。为放宽该假设，我们提出脉冲与树突输入分离为无需误差传播的生物可信基于目标的学习提供了天然支持。我们提出了一个由三个分离区室组成的锥体神经元模型。基底区室与顶树突区室之间的重合机制可生成高频脉冲簇。该结构允许一种依赖于脉冲的学习规则，基于由教学信号触发的目标脉冲活动与循环连接引起的脉冲活动之间的比较，从而为基于目标的学习提供支持。我们展示了该框架可有效解决时空任务，例如 3D 轨迹的存储与回忆。最后，我们提出该神经元结构天然支持“分层模仿学习”的编排，能将具挑战性的长程决策任务分解为更简单的子任务。这可在两级网络中实现：高层网络充当“管理者”并为低层网络“工作者”生成上下文信号。