通过调节神经元兴奋性而非突触强度实现灵活学习的新机制

《Communications Biology》：Rapidly reconfigurable dynamic computing in neural networks with fixed synaptic connectivity

　　

摘要

长期以来，人们一直假设大脑新皮层中的学习和记忆主要由突触可塑性介导。在人工神经网络领域的广泛研究表明，通过调整连接权重来训练网络面临诸多计算挑战，包括庞大的参数空间以及新学习对先前学习产生干扰（即灾难性遗忘）的倾向。我们提出，大脑之所以能够抵御这些挑战，部分原因在于它也可以通过调节网络中每个神经元的兴奋性来学习，而非改变突触强度。本文证明，学习一组任务特定的偏置电流，能够使具有固定且随机分配连接的前馈网络或循环网络在数十项任务中表现出色并在任务间自如切换，这些任务涵盖回归、分类、自主时间序列生成、游戏以及运动控制。仅依赖偏置的学习方式还为表征漂移与神经元层面的结构化变异性如何与群体层面的稳定计算共存提供了机制性解释。