Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks
本文证明，利用 MICrONS 项目中共注册的解剖与功能数据来初始化并约束循环神经网络，能够显著提升其在认知任务上的表现，同时促进生物学上合理的组织原则的形成。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正在试图教一个机器人如何思考。通常，当科学家们构建这些“思考型”机器（称为循环神经网络，或 RNN）时，他们是从一张白纸开始的。他们给机器人一个充满随机连接的大脑，就像一团乱麻般的毛线球，然后寄希望于它通过试错法来理清这些乱麻。
这篇论文提出了一个不同的问题：如果我们不是从一团乱麻开始呢？如果我们从一份蓝图开始呢？
研究人员决定使用小鼠大脑的真实“蓝图”来构建机器人的大脑。他们不仅仅是猜测线路应该如何连接；他们使用了来自一个名为 MICrONS 的大规模项目的真实数据，该项目绘制了小鼠视觉皮层中近 12,000 个神经元的精确位置、布线和活动情况。
以下是他们所做工作及发现的简单拆解：
“小鼠蓝图”的三大要素
研究人员从小鼠大脑中提取了三个具体要素，并将其作为机器人的规则：
- 布线图（功能）： 他们观察了小鼠神经元在看到物体时是如何相互交流的。他们利用这种“对话历史”来决定机器人的哪些连接在初始阶段就应该是强连接，哪些应该是弱连接。
- 类比： 与其给机器人随机的朋友，不如根据在小鼠大脑中实际一起活动的个体，向它介绍它需要结识的精准人群。
- 地图（几何结构）： 他们将机器人的“神经元”放置在 3D 空间中，使用了真实小鼠神经元的精确坐标。他们还增加了一条规则：“与远方的人交谈成本更高，所以尽量让你的朋友住在附近。”
- 类比： 想象一座城市，长途电话需要支付额外费用。机器人会学习组织自己的社区，让交流频繁的人住在一起。
- 交通规则（通信）： 他们加入了一条规则以鼓励网络的高效性，确保信息可以快速流动而不被堵塞在交通拥堵中。
实验：三种不同的游戏
为了测试这个“小鼠蓝图”是否有效，他们教会了机器人三种不同的认知游戏：
- “单选”游戏： 记住一个目标，等待，然后选择正确的方向前往那里。
- “感知”游戏： 看一张模糊、多噪点的图片，并判断点阵移动的方向。
- “去/不去”（Go/No-Go）游戏： 看到一个信号，决定是行动还是保持静止。
结果：蓝图胜出
使用小鼠蓝图构建的机器人学习速度更快，表现更好。
- 秘密武器： 最大的提升来自于布线图（知道谁在和谁说话）。这就像是给了机器人一个难题中的起跑优势。
- 地图也有帮助： 使用真实的神经元 3D 地图 带来了额外的提升，使机器人更加高效。
- “仅限正向”测试： 在一个极难的测试中，机器人只被允许使用“兴奋”信号（不允许使用“停止”信号），随机大脑的机器人完全失败了。但拥有小鼠蓝图的机器人却能完美运行。仿佛蓝图给了它们一个坚实的根基，使其不会在压力下崩溃。
机器人的大脑看起来像什么
当研究人员观察成功机器人的大脑内部时，他们看到了令人着迷的现象。机器人不仅学会了任务，还以一种看起来像真实大脑的方式组织了自己：
- 低熵： 它们的连接并非混乱的杂乱无章，而是高度组织化且具有结构的。
- 小世界特性： 它们创建了“邻里”（集群），这些集群内部联系紧密，但同时也拥有连接到其他邻里的短促、快速的高速公路。这正是真实大脑的工作方式。
- 模块化： 它们形成了处理特定工作的不同神经元组，就像公司里的部门一样。
核心结论
论文得出结论：真实大脑的物理形状、布线和活动模式不仅仅是生物学细节；它们是强大的学习捷径。
通过复制皮层的“机制”（其几何结构、布线和功能），研究人员构建了更有效的智能大脑。他们证明了，如果你想建造一台更好的思考机器，你需要的不仅仅是更多的数据或更大的模型；你需要从一张更好的地图开始。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。