摘要：新颖的人工神经元独立学习，并以其生物学对应物进行更强烈的建模。一组研究人员已经对这些书面神经元进行了编程，并从中构建了人工神经网络。特殊的特征是，单个人造神经元以自组织的方式学习，并从网络中的直接环境中汲取必要的信息。...

新颖的人工神经元独立学习，并以其生物学对应物进行更强烈的建模。 Göttingen校园生物网络动力学研究所（CIDBN）的研究人员组成的研究人员和Max Planck动力学与自组织（MPI-DS）进行了编程附加神经元并从中构建了人工神经网络。特殊的特征是，单个人造神经元以自组织的方式学习，并从网络中的直接环境中汲取必要的信息。结果发表在PNAS。

人脑和现代人工神经网络都非常强大。在最低级别上，神经元可以作为相当简单的计算单元一起工作。人工神经网络通常由由单个神经元组成的几层组成。输入信号通过这些层，并通过人工神经元处理以提取相关信息。但是，传统的人工神经元与其学习方式的生物模型有显着差异。尽管大多数人工神经网络都依赖于网络外的总体协调以学习，但生物神经元仅接收和处理网络附近其他神经元的信号。就灵活性和能源效率而言，生物神经网络仍然优于人造神经网络。

新的人造神经元，称为附加神经元，能够在其相邻神经元中独立学习和自组织。这意味着网络中最小的单元必须不再从外部控制，而要确定哪些输入是相关的，哪些是相关的。在开发附加神经元，该团队的灵感来自大脑的工作方式，尤其是大脑皮层中的锥体细胞。这些还可以从其直接环境中的不同来源处理刺激，并使用它们来适应和学习。新的人工神经元追求非常笼统，易于理解的学习目标：“我们现在直接了解网络内部发生的事情以及个人人工神经元如何独立学习，” Marcel Graetz从Cidbn强调。

通过定义学习目标，研究人员使神经元能够自己找到其特定的学习规则。团队专注于每个神经元的学习过程。他们采用了一种新颖的信息理论措施来精确调整神经元是否应与邻居寻求更多的冗余，协同合作，或者尝试专门研究网络信息的一部分。 “通过专门研究输入的某些方面并与邻居协调我们附加神经元了解如何为网络的整体任务做出贡献。”附加神经元，团队不仅在开发一种新颖的机器学习方法，而且还有助于更好地理解大脑的学习。