来自 Flyborg 实验室的又一条更新。
我这个周末都在给一只数字果蝇做脑外科手术。
给连接组装一个记忆假体
重建出来的大脑有 127,400 个神经元、1470 万个连接,但缺少学习背后的很多生物学机制。
所以我在造一个合成记忆假体。
思路是:拦截果蝇学习回路的活动,把它翻译成可检索的向量,再让神经系统日后取回这些经验。
我们可以捕获、存储神经表征,再喂回连接组。我们还能倒带、抑制某段记忆的反馈,然后测量变化了什么。
找一个学习信号
让果蝇自己决定记住什么,更棘手。
我们发现了一些神经元,它们的脉冲时序会对糖产生变化。能不能从那些模式里认出强化信号?
不能。
中性刺激和苦味刺激产生了相似的变化。我们试了个更讲究的接收器,专门比较神经元。
还是不能。
该去查神经科学文献了。
真果蝇用多巴胺、章鱼胺和受体动力学来调节学习。我们的模拟只建模了通过固定连接传导的电信号,没有那套化学。
把建模的化学加进去
于是我们找到了 Temur Turayev 的开源合成多巴胺模型,在一个隔离的蘑菇体网络里复现了它的实验,然后开始把这个方法改造到我们的全脑模拟里。
现在我们有了新东西。
一个被动的合成化学层观察模拟的神经活动,产生被建模的多巴胺和受体状态,而不改动原始大脑。
而且感觉信号能到达它。糖和苦味的输入会改变被建模的化学状态。切断感觉通路,这些差异就消失。
吸引我注意的是这个:神经脉冲发生得很快,而化学状态的演化更慢,有时在输入停止之后还会继续变化。
三种计算
于是突然之间,我们看到三种计算:
- 快的电活动,处理感觉信息。
- 慢一些的建模化学,可能调节学习与反应性。
- 持久的合成记忆,在原始活动消失之后仍然保留经验。
它们不必以同一速度运转。
我们还没解决果蝇的强化学习……暂时。
化学读出还无法可靠区分糖和中性或苦味,我们也还没演示出习得的偏好。
这种架构让什么成为可能
但这个架构让我脑子转个不停。
多数智能体把记忆当作模型读一读写一写的东西。如果一个持续运转的神经子系统能管理注意力、记忆资格和巩固呢?
如果我们把一个人工推理网络接到同一套神经调节基础设施上呢?
而且因为它是数字的,我们可以对单独的部件做插桩、修改、替换。
眼下,这只果蝇住在一个小小的 Godot 饲养箱里。
下一步:验证解剖学通路,再把一个有意义的学习信号接到记忆上。
这是接近机器学习的另一条路。
很快再聊。 🪰