計算神經科學和類腦智能是人工智能與神經科學的前沿交叉領域。其中類腦智能計算理論被列入國務院發佈的《新一代人工智能發展規劃》的八個基礎理論之一。圍繞這兩個研究領域，中國科學院瀋陽自動化研究所機器人學國家重點實驗室斯白露研究團隊近期在記憶的神經機制和類腦導航研究方面取得了突破。
記憶是動物的核心高級認知功能之一。神經科學對記憶神經環路的研究初步揭示了記憶形成和提取的關鍵機制。20 世紀 70 年代以來約翰·歐基夫、梅·布麗特·莫澤爾和愛德華·莫澤爾分別發現哺乳動物海馬體中的位置細胞 (Place Cells) 能記憶環境中的特定位置，內嗅皮層及相關區域的柵格細胞 (Grid Cells) 能為導航提供座標系。這些發現表明海馬體、內嗅皮層及相關區域構成了大腦內在的空間定位系統，他們因此獲得了 2014 年的諾貝爾生理學、醫學獎。
斯白露和美國霍華德休斯醫學研究所珍尼亞研究院的合作者對海馬體 CA3 區域中位置細胞的集群放電現象進行了建模。他們的實驗研究發現，與以前的觀點不同，CA3 區域的錐體神經細胞並不是單一種類的細胞，而是分化成形態、放電特性和連接結構都不同的兩類細胞，分別是規則發放型細胞和爆發式發放型細胞。他們採用計算神經科學的方法為兩類錐體神經細胞和抑制型中間神經細胞建立模型，在此基礎上構建連續吸引子脈衝神經網絡模型，用於模擬記憶的提取過程。模型利用兩類錐體神經細胞的放電特性的分化以及突觸的短時程可塑性再現了海馬體 CA3 區域的尖波放電現象。尖波放電是海馬體 CA3 區域產生的集群放電，在記憶的提取、記憶的固化中起到重要作用。這個理論模型提出了記憶提取的一種神經計算機制，為構建類腦感知和記憶系統提供了理論依據。
在類腦導航領域，博士生曾太平在斯白露指導下利用柵格細胞的神經編碼機制，構建了位置和速度聯合編碼的柵格細胞神經網絡模型，在大規模室外環境中完成機器人自定位和地圖構建。他們建立的柵格細胞神經網絡能夠形成穩定的吸引子，利用神經動力學機制整合感知和運動輸入，在大規模環境中能穩定地編碼空間位置，表現出較好的魯棒性。由於模擬了柵格細胞的編碼機制，該模型中細胞的工作機理清晰，克服了深度學習神經網絡難解釋、難理解的黑箱侷限性。
近年來，記憶神經環路的神經計算機制得到人工智能研究者的關注。比如谷歌的 DeepMind 團隊利用監督學習的方式生成類似柵格細胞的位置編碼用於導航。可以預見，大腦記憶的神經機制將會進一步啟發和推動類腦智能的研究。
圖 1 計算神經科學和類腦智能是人工智能和神經科學的交叉研究領域。
圖 2 CA3 中三種不同類型細胞構成的脈衝神經網絡能產生集群放電。(A)規則發放型細胞在電流 (上圖) 輸入下的產生規則的放電模式 (中圖)，自身的適應電流(下圖) 會促使細胞停止放電；(B)爆發式發放型細胞的放電模式；(C)抑制性中間神經元的放電模式。(D) 三種細胞構成的循環網絡隨時間的放電脈衝，橫軸為時間，縱軸為細胞的編號。每一個圓圈代表一個電脈衝。抑制性細胞、規則發放型細胞和爆發式發放型細胞的放電脈衝分別用藍、黑和紅色表示；(E) 網絡中兩類錐體細胞參與尖波放電的動態過程的示例，是 D 的局部放大。綠色虛線表示尖波放電的時刻。尖波放電由爆發式發放型細胞啟動，並擴展到整個網絡。
圖 3 基於柵格細胞的類腦導航方法。(A) 在 3kmx1.6km 的室外道路環境中構建認知地圖。行走的路徑總長度為 66 公里。黑色曲線為道路。(B) 道路中機器人感知的不同類型的場景；(C) 類腦導航算法構建的環境的拓撲地圖；(D) 網絡中編碼低速運動的柵格細胞在環境中的放電圖。該細胞在環境中多個區域放電，由於編碼低速運動，放電的區域位於轉彎或路口處等需要低速運動的地方。
閱讀更多 薩度2018 的文章
