跳动城乡网MRC大脑网络动力学部门和牛津大学计算机科学系的研究人员提出了一个新原理来解释大脑在学习过程中如何调整神经元之间的连接。这一新见解可能会指导大脑网络学习的进一步研究，并可能激发人工智能中更快、更鲁棒的学习算法。
学习的本质是查明信息处理管道中的哪些组件导致输出错误。在人工智能中，这是通过反向传播来实现的：调整模型的参数以减少输出中的误差。许多研究人员认为，大脑采用了类似的学习原理。
然而，生物大脑优于当前的机器学习系统。例如，我们只需查看一次新信息就可以学习它，而人工系统需要使用相同的信息进行数百次训练才能学习它们。此外，我们可以在保持现有知识的同时学习新信息，而在人工神经网络中学习新信息往往会干扰现有知识并使其迅速退化。
这些观察结果促使研究人员确定大脑在学习过程中采用的基本原理。他们研究了一些现有的数学方程组，这些方程组描述了神经元行为及其之间突触连接的变化。他们分析并模拟了这些信息处理模型，发现它们采用了与人工神经网络根本不同的学习原理。
在人工神经网络中，外部算法试图修改突触连接以减少误差，而研究人员提出，人脑在调整突触连接之前首先将神经元的活动调整为最佳平衡配置。研究人员认为，这实际上是人类大脑学习方式的一个有效特征。这是因为它通过保留现有知识来减少干扰，从而加快学习速度。
研究人员在《自然神经科学》杂志上撰文描述了这种新的学习原理，他们将其称为“前瞻性配置”。他们在计算机模拟中证明，在自然界中动物和人类通常面临的任务中，采用这种预期配置的模型可以比人工神经网络更快、更有效地学习。
作者使用了现实生活中的熊捕鲑鱼的例子。熊可以看到河流，并且它已经知道，如果它也能听到河流的声音并闻到鲑鱼的味道，它很可能会捕获一条鲑鱼。但有一天，这只熊来到河边，耳朵受伤了，听不到声音。
在人工神经网络信息处理模型中，这种听力的缺乏也会导致嗅觉的缺乏(因为在学习没有声音的同时，反向传播会改变多个连接，包括编码河流和鲑鱼的神经元之间的连接)，并且熊会断定没有三文鱼，就挨饿吧。但在动物大脑中，声音的缺失并不妨碍人们知道鲑鱼的气味仍然存在，因此鲑鱼仍然可能在那里等待捕捉。
研究人员开发了一种数学理论，表明让神经元进入预期配置可以减少学习过程中信息之间的干扰。他们证明，前瞻性配置比人工神经网络更好地解释了多个学习实验中的神经活动和行为。
MRC脑网络动力学部门和牛津大学纳菲尔德临床神经科学系的首席研究员RafalBogacz教授表示：“目前执行前瞻性配置的抽象模型与我们对脑网络解剖学的详细知识之间存在很大差距。我们小组的未来研究目标是弥合抽象模型和真实大脑之间的差距，并了解如何在解剖学上识别的皮层网络中实现预期配置算法。”
该研究的第一作者YuhangSong博士补充道：“就机器学习而言，在现有计算机上模拟预期配置的速度很慢，因为它们的运行方式与生物大脑根本不同。新型计算机或专用计算机需要开发受大脑启发的硬件，它将能够快速实现预期配置，并且消耗很少的能源。”
