机器学习技术旨在从数学上模拟大脑中神经元和神经网络的功能和结构。然而，生物神经元非常复杂，这使得手动复制它们特别具有挑战性。

韩国大学的研究人员最近试图通过近似单个神经元和突触的功能来更有效地再现生物神经元的复杂性。他们发表在《自然机器智能》的论文介绍了一种可进化的神经单元(ENU)网络，它可以适应模拟特定神经元和突触可塑性的机制。

进行这项研究的研究人员之一保罗伯腾斯(Paul Bertens)告诉TechXplore:“我们的论文灵感来自对生物神经元复杂性的观察，以及用数学方法模拟自然界中产生的所有复杂性实际上是不可能的。“目前用于深度学习的人工神经网络在许多方面都非常强大，但它们并没有真正匹配生物神经网络的行为。我们的想法是使用这些现有的人工神经网络，而不是对整个大脑进行建模，而是对每个单独的神经元进行建模和突触。”

由伯腾斯和他的同事李承焕开发的ENU是基于人工神经网络的。然而，这些人工神经网络不是复制生物神经网络的整个结构，而是用于对单个神经元和突触进行建模。

使用进化算法，ENU的行为被编程为随着时间而改变。这些算法可以根据适者生存、随机变异和繁殖的概念模拟特定类型的进化过程。

贝茨解释说：“通过使用这种进化方法，有可能进化这些单元来执行非常复杂的信息处理，类似于生物神经元。”“目前大多数神经元模型只允许单一输出值(峰值或梯度电位)，在突触的情况下只允许单一突触权重值。ENU的主要独特之处在于，它们可以输出多个值(向量)，这可以被视为类似于大脑中的神经递质。”

神经递质，如多巴胺和血清素，本质上是化学信号，可以在不同细胞之间并通过突触传递信息。这些化学信使在许多大脑功能中起着关键作用，包括学习和记忆。然而，人们仍然不太了解他们之间的互动方式。

由伯腾斯和李开发的ENU可以输出在人工神经网络中起作用的值，就像大脑中的神经递质一样。与现有的预定义数学模型相比，这一特性使他们能够学习更复杂的行为。

“我相信这项研究最重要的发现和结果表明，提出的ENU不仅可以执行类似于当前神经科学模型的数学运算，而且可以进化成几乎任何有利于生存的行为，”Bertens说。"这意味着每个神经元可以得到比目前手工设计的数学函数更复杂的函数."

未来，韩国大学的这些研究人员创造的ENU可以帮助创造更有效的生物启发式机器学习技术，从而更好地反映大脑的结构和功能。到目前为止，这些单元已经被用于开发机器学习代理，可以在T迷宫环境中完成任务。尽管Bertens和Lee的研究仍处于初级阶段，但研究人员希望尽快利用他们的ENU创建一个更大的网络来解决更复杂的任务。

贝茨说：“大脑有数十亿个神经元和数万亿个突触，但目前只有少数ENU能被有效模拟。”"因此，我们未来的研究将集中在扩展我们的方法上."