用于控制的生长型人工神经网络：神经元多样性的作用

在生物进化中，复杂的神经结构由少量细胞成分生长而成。由于自然界中的基因组大小有限，这种复杂性是通过一个生长过程实现的，在该过程中细胞通过局部通信来决定是否分化、增殖以及与其他细胞连接。据假设，这种自组织在生物神经网络的泛化能力和鲁棒性中发挥着重要作用。另一方面，人工神经网络（ANN）传统上在权重空间中进行优化。因此，生长型人工神经网络的益处与挑战仍有待深入研究。基于先前引入的神经发育程序（NDP），在本工作中我们提出了一种用于生长能够解决强化学习任务的 ANN 的算法。我们识别出一个关键挑战：确保表型复杂性需要维持神经元多样性，但这种多样性是以牺牲优化稳定性为代价的。为了解决这一问题，我们引入了两种机制： 赋予神经元在神经发生时继承的内在状态； 侧向抑制，一种受生物生长启发的机制，它控制生长速度并帮助维持多样性。我们表明这两种机制都有助于神经元多样性，并且配备了这些机制后，NDP 在复杂的运动控制任务中取得了与现有直接编码和发育编码相当的结果。