原始论文采用 CC BY 4.0 许可（https://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，你正在尝试训练一支由微型生物计算机（称为脉冲神经网络）组成的团队来识别图片，比如区分猫和狗。通常，为了训练这些计算机，科学家会使用一种称为反向传播的方法。把反向传播想象成一位严厉、自上而下的经理：他审视最终的错误，精确计算出每一位员工对该错误的具体贡献，然后沿原路向下发送具体的指令以进行修正。虽然这种方法在计算机上行之有效，但它并不符合真实大脑的工作方式，因为真实的神经元并没有一位“经理”向整个网络发送全局指令。
本文介绍了一种更自然的方式来训练这些网络，称为平衡传播（EP）。
类比：“小组围圈”与“经理”
与其让经理发送指令，不如想象神经元团队像一群人围在一起围圈共同解决谜题：
- 设置：神经元就像房间里的人。他们有一个目标（正确识别图像）。
- “自由”状态：首先，他们观察图片并做出最佳猜测。他们彼此交流，但此时没有人受到纠正。
- “钳制”状态：接着，有人向小组正确的答案耳语。神经元会略微调整其内部状态以匹配这一真相。
- 学习：神经元比较它们在“自由”状态下的表现与“钳制”状态下的表现。这两个时刻之间的差异告诉它们如何调整连接，以便下次做得更好。
这种方法被称为平衡传播，因为神经元在学习发生之前会达到一种平衡（均衡）状态。这更像真实大脑的学习方式：就在当下，通过比较你预期会发生的事情与实际发生的事情来进行学习。
新转折：预测性学习
研究人员将这种“小组围圈”方法应用于一类特定的神经元，称为**漏积分发放（LIF）**神经元。你可以把这些神经元想象成漏水的桶。水（信号）流入，如果桶装得足够满，它就会“溢出”（发放脉冲），向下一个人发送消息。如果桶没装满，水就会漏掉，消息也就丢失了。
本文的重大创新在于这些神经元如何学习“溢出”。他们没有使用一种称为STDP的常见规则（这就像在说：“如果我刚在你之前发放脉冲，我就是你的朋友；如果我在你之后发放，我就不是”），而是使用了一种预测性学习规则。
把这想象成一位天气预报员：
- 神经元不断尝试预测下一个信号是什么。
- 如果它们预测正确，它们就保持平静。
- 如果它们感到意外（预测错误），它们就会调整其“漏水性”或溢出的难易程度，以便下次更好地预测。
- 这与预测编码的理念一致，即大脑的主要工作是不断猜测未来，并且只在遇到意外时才进行学习。
他们发现了什么？
该团队在三个著名的图像数据集（MNIST、KMNIST 和 Fashion-MNIST）上测试了这种新的“预测性围圈”系统，这些数据集就像是图像识别的标准测试。
- 行之有效：他们的新系统（EP+LIF）获得的分数几乎与传统的“经理”系统（BP+LIF）一样高。这证明了你不需要自上而下的经理也能获得出色的结果；局部的、预测性的围圈同样有效。
- 不同的习惯：当他们仔细观察神经元的行为时，发现它们的“性格”存在差异：
- 传统经理系统（BP）使神经元非常安静且高效。它们只在绝对必要时才发放脉冲，形成一种稀疏（稀疏）的活动模式。
- **新的预测系统（EP）**让神经元保持更活跃和持久。它们保持“清醒”并彼此交流更长的时间。
结论
本文表明，你可以使用一种更符合自然生物学（预测和围圈）而非僵化工程（反向传播）的方法来训练先进的类脑计算机网络。虽然新方法产生的神经元比传统方法更爱“聊天”且不那么“稀疏”，但它达到了同样的高精度。这表明大脑可能利用这种基于预测和平衡的技巧来学习，而通过模仿这些特定习惯，我们可以构建出更好的人工智能。
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。