机构名称：
¥ 1.0
尽管机器学习在许多应用上的表现超过了人类水平，但大脑学习能力的普遍性、稳健性和快速性仍然无与伦比。认知如何从神经活动中产生是神经科学的核心未解问题，与智能研究本身密不可分。Papadimitriou 等人（2020 年）提出了一种简单的神经活动形式模型，随后通过数学证明和模拟表明，该模型能够通过创建和操纵神经元组合来实现某些简单的认知操作。然而，许多智能行为依赖于识别、存储和操纵刺激的时间序列的能力（计划、语言、导航，仅列举其中几项）。我们在这里表明，在同一个模型中，时间可以通过突触权重和可塑性自然地作为优先顺序捕获，因此，可以对组合序列进行一系列计算。具体来说，重复呈现一系列刺激会导致通过相应的神经组件记住该序列：将来呈现序列中的任何刺激时，相应的组件及其后续组件将一个接一个地被激活，直到序列结束。如果同时向两个大脑区域呈现刺激序列，则会创建一个支架表示，从而导致更高效的记忆和回忆，这与认知实验一致。最后，我们表明，任何有限状态机都可以通过呈现适当的序列模式以类似的方式学习。通过扩展这种机制，可以证明该模型具有通用计算能力。我们通过一系列实验支持我们的分析，以关键方式探索该模型学习的极限。总之，这些结果为大脑非凡的计算和学习能力的基础提供了一个具体的假设，其中序列起着至关重要的作用。关键词：组件、神经网络、神经科学、可塑性、序列学习、有限状态机
使用大脑模型中的组装序列进行计算
主要关键词
相关文件推荐
