一项新的研究上周发表在神经元耶路撒冷希伯来大学的研究人员可能会加速创造在里面人工智能（AI）深入学习和神经科学通过提供高精度的神经元洞察。

研究人员写道：“这项研究为单个神经元的计算复杂性提供了一个统一的表征，并表明皮层网络因此具有独特的结构，可能支持其计算能力。”。

神经科学中的一个主要问题是理解神经元的结构、功能和突触输入与其尖峰输出之间的关系。近几十年来，在理解低水平机制如何相互作用以支持离子通道和突触传递等领域的神经元计算方面取得了重大进展。

然而，由于分析数千个突触输入到尖峰输出的转换的组合复杂性，这种理解缺乏精确性。通常，时间分辨率为平均触发频率，而不是毫秒。为了解决这一神经科学挑战，在这项研究中，研究人员转向人工神经智力.

研究人员写道：“利用机器学习的最新进展，我们引入了一种系统的方法来描述神经元的输入/输出（I/O）映射复杂性。”。

科学家们训练人工智能深层神经网络（DNN），以毫秒的高精度分辨率模拟各种皮质神经元生物物理模型的输入和输出功能。通过采用这种方法，研究人员能够对皮质神经元进行全方位的复杂建模。

科学家们开发了一种具有5到8层的时间卷积深度神经网络，用于模拟一种称为L5PC（第5层皮质锥体细胞）的特定类型神经元的输入和输出映射。在神经解剖学中，锥体细胞或锥体神经元是海马、杏仁核和大脑皮层中常见的大型神经元。锥体神经元有一个三角形细胞体（胞体）、一个顶端树突、一个轴突和多个基底树突。锥体神经元的主要作用是将突触输入转化为动作电位输出。L5PC沿着脊髓发送轴突以驱动肌肉。锥体神经元是大脑高级功能（如意识和行为）的基础记忆力.

研究人员写道：“需要一个具有五到八层的时间卷积DNN来捕捉第五层皮质锥体细胞（L5PC）真实模型的I/O映射。”。“当输入广泛分布在训练分布之外时，这种DNN具有良好的通用性。当NMDA受体被移除时，一个简单得多的网络（具有一个隐藏层的完全连接的神经网络）足以适合该模型。”

深度神经网络滤波器使研究人员对树突加工有了新的理解，树突加工塑造了输入和输出神经元的特性。

“这项研究为单个神经元的计算复杂性提供了一个统一的表征，并表明皮层网络因此具有独特的结构，可能支持其计算能力，”科学家们总结道。

有了这一新的概念证明，科学家们现在有了一个统一的模型来理解任何类型神经元的计算复杂性，这是一种创新的方法，可能加速人工智能和神经科学在未来的突破。

版权所有©2021 Cami Rosso保留所有权利。