前沿速递：神经网络中的功能模块化与解剖学模块化同时涌现

关键词：机器学习，神经网络，功能模块化，解剖学模块化，大脑启发的模块化训练，涌现

论文题目：Growing Brains: Co-emergence of Anatomical and Functional Modularity in Recurrent Neural Networks

论文链接：

https://arxiv.org/abs/2310.07711

递归神经网络（RNN）经过组合任务训练可以表现出功能模块化（functional modularity），其中神经元可以通过活动相似性和参与共享计算子任务进行聚类。与大脑不同，这些 RNN 不表现出解剖学模块化（anatomical modularity），其中功能聚类与强的递归耦合和功能聚类的空间定位相关。功能模块化可能暂时地依赖于输入，与之相反，解剖学模块化网络会形成强大的基础，在未来解决相同的子任务。

为了检查是否可能生长出类似于大脑的解剖学模块化，这项研究将最近的机器学习方法——大脑启发的模块化训练（brain-inspired modular training，BIMT），应用于正在训练以解决一组组合认知任务的网络。结果发现，功能聚类和解剖学聚类一起涌现，使得功能相似的神经元也变得空间局域化和互相连接。

此外，与标准L1或无正则化设置相比，该模型通过最优地平衡任务性能和网络稀疏性表现出卓越的性能。除了在RNN中实现类似于大脑的组织，这些研究结果还表明，BIMT 在神经形态计算和提高神经网络架构可解释性方面具有潜力。

图1. 用大脑启发的模块化训练（BIMT）方法训练 RNN。a. 网络可视化；b. 隐藏神经元聚类为功能模块；c. 功能模块（不同颜色）也在空间聚类，类似于大脑；L1 正则化则不会导致解剖学模块化。网络具有 d. 良好的性能，e. 高的系属性，f. 良好的局域化；g-h. 性能和稀疏性的权衡。

图2. 多样的解剖和功能模块化可以在 RNN 中表示出来；用（左）BIMT、（中）L1 正则化、（右）无正则化测试神经网络的解剖模块化。

编译｜梁金

AI+Science 读书会

详情请见：人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动

推荐阅读

‍1. Nat. Commun. 速递：抽象表征从训练执行多任务的神经网络中自然涌现2. 从细胞到解剖稳态的扩展：从个体发育到集体智能3. Nature 速递：通过网络推断和计算机模拟基因扰动解剖细胞特性4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程5. 成为集智VIP，解锁全站课程／读书会6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会