Playing With Neuroscience: Past, Present and Future of Neuroimaging and Games
IT University of Copenhagen（哥本哈根 IT 大学）
本文探讨神经科学与游戏的交叉研究，分析二者双向促进的现状并展望未来方向，回应神经科学能否复刻游戏与AI等领域的协同发展模式的问题。
2024-03-06 cs.AI q-bio.NC
NeuroAI and Beyond: Bridging Between Advances in Neuroscience and Artificial Intelligence
NeuroAI and Beyond: Bridging Between Advances in Neuroscience and Artificial Intelligence Report（NeuroAI与人工智能：神经科学与人工智能交汇报告）
本文探讨神经科学与人工智能的结合，指出当前AI在物理交互、学习稳定性及能效方面的不足，并提出基于神经科学原理的解决方案，旨在推动神经AI的发展。
2026-10-01 cs.AI cs.CY q-bio.NC
The feasibility of artificial consciousness through the lens of neuroscience
Institute of Computer Science, University of Tartu（塔尔图大学计算机科学研究所）；Institute of Biology, Humboldt University Berlin（柏林洪堡大学生物学研究所）；Brain and Mind Center, The University of Sydney（悉尼大学脑与思维中心）
本文从神经科学角度反驳大语言模型很快具备意识的观点，指出其输入缺具身信息、架构少丘脑皮层关键特征、无对应进化发育轨迹，说明人工意识暂不可行。
2023-08-28 cs.AI cs.LG cs.RO
Modular Object-Oriented Games: A Task Framework for Reinforcement Learning, Psychology, and Neuroscience
Massachusetts Institute of Technology（麻省理工学院）；Center for Brains, Minds and Machines, MIT（麻省理工学院脑、心智与机器中心）；McGovern Institute of Brain Research, MIT（麻省理工学院麦戈文脑科学研究所）
近年来，研究模拟游戏的趋势在人工智能、认知科学、心理学和神经科学领域获得了动力。这些领域的交叉点最近也有所增长，因为研究人员越来越多地使用人工代理和人类或动物主题来研究此类游戏。然而，实现游戏可能是一项耗时的工作，并且可能需要研究人员处理不容易定制的复杂代码库。此外，研究人工智能、人类心理学和动物神经生理学的跨学科研究人员面临着额外的挑战，因为现有的平台只针对其中一个领域。在这里，我们介绍模块化面向对象游戏，这是一个轻量级，灵活，可定制的Python任务框架，专为机器学习，心理学和神经生理学研究人员设计。
2021-02-25 cs.AI cs.LG q-bio.NC
Perforated Backpropagation: A Neuroscience Inspired Extension to Artificial Neural Networks
University of Southern California（南加州大学）；Perforated AI Inc.（穿孔人工智能公司）
该研究提出受生物树突启发的穿孔反向传播算法，将其应用于PyTorch网络，可提升准确率并实现无精度损失的模型压缩。
2026-09-01 cs.LG cs.NE q-bio.NC
Neuroscience-inspired online unsupervised learning algorithms
尽管目前流行的深度学习网络在某些任务上实现了前所未有的性能，但人类大脑仍然垄断了一般智能。基于这一点和深度学习网络的生物学不可信性，我们开发了一系列用于无监督学习的生物学上合理的人工神经网络（NN）。我们的方法是基于优化原则的目标函数，包含一个术语，匹配成对的相似性输出的输入，因此名称相似性为基础。这种基于相似性的目标函数的基于一致性的在线优化可以通过具有生物学上合理的局部学习规则的NN来实现。基于相似性的成本函数和相关的NN解决了无监督学习任务，如线性降维，稀疏和/或非负特征提取，盲非负源分离，聚类和流形学习。
2019-09-06 cs.NE q-bio.NC
The brain as a blueprint: a survey of brain-inspired approaches to learning in artificial intelligence
Groningen Institute for Evolutionary Life Sciences, University of Groningen（格罗宁根进化生命科学研究所，格罗宁根大学）
本文综述了深度学习借鉴神经科学原理的成功实践与局限，并探讨了基于生物突触更新机制改进误差计算与传播的未来方向。
2025-11-06 q-bio.NC
Multilevel Interpretability Of Artificial Neural Networks: Leveraging Framework And Methods From Neuroscience
University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；Imperial College London（帝国理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Georgia Institute of Technology（佐治亚理工学院）；New York University（纽约大学）；Princeton University（普林斯顿大学）
本文提出多级可解释性框架，借鉴神经科学方法，依据 Marr 的三个分析层级剖析生物与人工神经网络，将内部结构与外部行为相联系，为理解智能系统提供统一路径。
2024-08-26 cs.AI q-bio.NC
Generative causal testing to bridge data-driven models and scientific theories in language neuroscience
Computer Science Department, University of Texas at Austin（德克萨斯大学计算机科学系）；Microsoft Research（微软研究院）；Neurosurgery Department, University of California（加州大学神经外科系）；EECS Department, University of California（加州大学电子工程与计算机科学系）；Statistics Department, University of California（加州大学统计学系）；Center for Computational Biology, University of California（加州大学计算生物学中心）；Neuroscience Department, University of California（加州大学神经科学系）
提出生成式因果测试（GCT）框架，利用大语言模型生成简洁解释并通过LLM生成刺激进行验证，成功解释大脑区域的语言选择性，弥合数据驱动模型与科学理论之间的差距。
2026-06-16 cs.CL q-bio.NC
Towards a Cognitive Computational Neuroscience of Auditory Phantom Perceptions
为了获得耳鸣如何在大脑中出现的机械理解，我们必须建立生物学上合理的计算模型，模拟耳鸣的发展和感知，并测试与大脑和行为实验的暂定模型。特别关注耳鸣研究，我们回顾了人工智能，心理学和神经科学交叉领域的最新工作，指出了一个新的研究议程，该议程遵循这样一个想法，即实验只有在用于测试大脑计算模型时才会产生理论见解。这种观点挑战了流行的信念，即耳鸣研究主要是数据有限的，并且产生大型，多模态和复杂的数据集，用先进的数据分析算法进行分析，最终将导致对耳鸣如何出现的基本见解。然而，有汇聚的证据表明，虽然现代技术允许评估神经活动以前所未有的丰富的方式在两个，动物和人类，经验测试一个又一个关于耳鸣的口头定义的假设，将永远不会导致一个机械的理解。相反，假设检验需要与生成可验证预测的计算模型的构建相补充。我们认为，尽管当代人工智能和机器学习方法在很大程度上缺乏生物可解释性，但要构建的模型必须借鉴这些领域的概念，因为它们已经被证明在建模大脑功能方面做得很好。尽管如此，生物保真度必须不断提高，从而产生更好的细粒度模型，最终甚至可以在应用于动物或患者研究之前在计算机中测试可能的治疗策略。
2020-10-05 q-bio.NC
A brain basis of dynamical intelligence for AI and computational neuroscience
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
现代人工智能（AI）的深度神经网络还没有达到生物智能的定义特征，包括抽象、因果学习和能效。虽然扩展到更大的模型已经为当前的应用程序提供了性能改进，但更多类似大脑的能力可能需要新的理论，模型和方法来设计人工学习系统。在这里，我们认为，这个重新评估大脑洞察力的机会应该刺激人工智能研究和理论驱动的计算神经科学（CN）之间的合作。为了激励神经计算的大脑基础，我们提出了一个动态的智能观，我们阐述了网络结构，时间动态和交互式学习的稀疏性概念。特别是，我们认为，时间动态，通过神经同步，嵌套振荡和灵活的序列表示，提供了一个丰富的计算层阅读和更新分层模型分布在长期记忆网络。此外，在AI和CN中采用以代理为中心的范式将加速我们对构建有用世界模型的复杂动态和行为的理解。AI/CN理论和目标的融合将揭示大脑和工程学习系统智能的动态原理。这篇文章的灵感来自我们在第六届美国/NIH大脑倡议研究者年会上关于动态神经科学和机器学习的研讨会。
2021-05-21 cs.AI q-bio.NC
Bridging Neuroscience and AI: Environmental Enrichment as a Model for Forward Knowledge Transfer
University of California, Irvine（加利福尼亚大学欧文分校）；University of Lethbridge（莱斯布里奇大学）
本文提出将环境富集作为生物模型研究前向知识迁移，探索其神经机制，并利用人工神经网络预测变化，以促进类人AI的快速新任务学习。
2025-01-23 cs.AI q-bio.NC
If deep learning is the answer, then what is the question?
神经科学研究正在经历一场小小的革命。机器学习和人工智能（AI）研究的最新进展为神经计算开辟了新的思路。许多研究人员对深层神经网络可能为生物大脑提供感知、认知和行动理论的可能性感到兴奋。这种观点有可能从根本上重塑我们理解神经系统的方法，因为深度网络执行的计算是从经验中学习的，而不是由研究人员赋予的。如果是这样，神经科学家如何使用深度网络来建模和理解生物大脑？对于那些试图解释计算或神经编码，或者希望理解感知、注意力、记忆和执行功能的神经科学家来说，前景如何？在这个视角中，我们的目标是为深度学习时代的系统神经科学研究提供路线图。我们讨论的概念和方法的挑战，比较行为，学习动力学和神经表示在人工和生物系统。我们强调了神经科学作为机器学习最新进展的直接结果而出现的新研究问题。
2020-04-17 q-bio.NC
Brain-inspired Graph Spiking Neural Networks for Commonsense Knowledge Representation and Reasoning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
人脑中的神经网络如何表征常识知识，并完成相关的推理任务，是神经科学、认知科学、心理学和人工智能的重要研究课题。传统的人工神经网络使用固定长度的向量来表示符号，虽然在某些特定任务中获得了不错的性能，但它仍然是一个缺乏可解释性的黑盒子，与人类感知世界的方式相去甚远。受神经科学中的祖母细胞假说的启发，本文研究了群体编码和尖峰时间依赖可塑性（STDP）机制如何被整合到脉冲神经网络的学习中，以及一个神经元群体如何通过引导不同神经元群体之间完成顺序放电来表示一个符号。不同社区的神经元群体共同构成了整个常识知识图谱，形成了一个巨图脉冲神经网络。此外，我们引入了奖励调制尖峰时间依赖可塑性（R-STDP）机制来模拟生物强化学习过程，并相应地完成相关的推理任务，实现了与图卷积人工神经网络相当的精度和更快的收敛速度。对于神经科学和认知科学领域，本文的工作为进一步探索人类大脑表征常识知识的方式提供了计算建模的基础。在人工智能领域，通过构造一种常识性的知识表示和推理出具有坚实生物相容性的脉冲神经网络，为实现更健壮、更可解释的神经网络指明了探索方向。
2022-07-11 cs.AI cs.LG cs.NE
Towards an integration of deep learning and neuroscience
神经科学专注于计算的详细实现，研究神经代码，动力学和电路。然而，在机器学习中，人工神经网络倾向于避开精确设计的代码、动力学或电路，而倾向于对成本函数进行蛮力优化，通常使用简单且相对统一的初始架构。机器学习领域最近出现了两个新的发展，为连接这些看似不同的观点创造了机会。首先，使用结构化架构，包括用于注意力、递归和各种形式的短期和长期记忆存储的专用系统。第二，成本函数和培训程序变得更加复杂，而且在不同层次和不同时期都有所不同。这里我们从这些观点来思考大脑。我们假设：（1）大脑优化成本函数，（2）这些成本函数是多样的，并且在大脑位置和发育过程中有所不同，（3）优化在与行为所带来的计算问题相匹配的预结构化架构中运行。这种异质优化的系统，由一系列相互作用的成本函数实现，有助于使学习数据高效，并精确地针对生物体的需求。我们提出了神经科学可以寻求改进和测试这些假设的方向。
2016-06-13 q-bio.NC
Digital twin brain: a bridge between biological intelligence and artificial intelligence
Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络组研究中心）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Research Center for Augmented Intelligence, Zhejiang Lab（之江实验室增强智能研究中心）
本研究提出数字孪生脑（DTB）平台，以脑结构、底层功能模型及应用为核心、脑图谱为约束，衔接生物智能与人工智能，助力智能涌现、神经疾病研究及通用人工智能与精准精神医疗发展。
2023-08-03 cs.AI cs.NE q-bio.NC
Understanding Decision-Making Across the Lifespan Needs Theoretical Neuroscience
Department of Neurobiology, David Geffen School of Medicine, University of California, Los Angeles（加州大学洛杉矶分校大卫格芬医学院神经生物学系）
本文提出通过整合理论神经科学与衰老研究，利用新兴方法论揭示生命周期内决策过程的机制性解释。
2026-03-02 q-bio.NC
Exploration, inference and prediction in neuroscience and biomedicine
在过去的几十年里，大脑研究取得了巨大的进步。这些进步往往是通过探测单个变量来获得有限的发现，通常是通过零假设显著性检验。产生大量数据的新方法加剧了传统方法和模式学习算法之间的紧张关系，传统方法用于推断精心选择的变量中的统计相关效应，而模式学习算法用于通过搜索大量信息来识别预测特征。在这篇文章中，我们详细介绍了两种定量方法背后的对立哲学：证明可理解变量的稳健效应，以及评估构建模型预测未来结果的准确性。我们不鼓励通过“统计”或“机器学习”等类别选择分析工具。相反，为了建立关于大脑的可重复知识，我们主张根据每个定量分析的核心动机来优先考虑工具：旨在实现机械洞察力，或优化预测准确性。
2019-02-21 q-bio.NC stat.AP
Neural population geometry: An approach for understanding biological and artificial neural networks
Center for Theoretical Neuroscience, Columbia University（哥伦比亚大学理论神经科学中心）
实验神经科学的进步已经改变了我们探索神经回路结构和功能的能力。与此同时，机器学习的进步释放了人工神经网络（ANN）的非凡计算能力。虽然这两个领域有不同的工具和应用程序，但它们提出了类似的挑战：即理解如何通过高维表示嵌入和处理信息，以解决复杂的任务。解决这一挑战的一种方法是利用数学和计算工具来分析这些高维表示的几何形状，即，神经元群体几何学。我们回顾了几何方法的例子，提供了深入了解生物和人工神经网络的功能：表示解开知觉，几何理论的分类能力，解开和抽象的认知系统，拓扑表示认知地图，动态解开运动系统，和一个动态的认知方法。总之，这些发现说明了机器学习，神经科学和几何学交叉的一个令人兴奋的趋势，其中神经元群体几何学提供了一个有用的群体级机械描述符底层任务的实现。重要的是，几何描述适用于感觉模态、大脑区域、网络架构和时间尺度。因此，神经元群体几何有可能统一我们对生物和人工神经网络的结构和功能的理解，弥合单个神经元，群体和行为之间的差距。
2021-11-20 cs.LG q-bio.NC
Relating transformers to models and neural representations of the hippocampal formation
University of Oxford（牛津大学）；Stanford University（斯坦福大学）；University College London（伦敦大学学院）
许多松散地基于大脑网络的深度神经网络架构最近被证明可以复制在大脑中观察到的神经放电模式。Transformer神经网络是最令人兴奋和最有前途的新架构之一，它的开发没有考虑大脑。在这项工作中，我们表明，当配备重复位置编码时，Transformers可以复制海马结构精确调整的空间表示;最明显的是位置和网格细胞。此外，我们表明，这一结果并不令人惊讶，因为它与神经科学目前的海马模型密切相关。我们还表明，Transformer版本提供了显着的性能增益超过神经科学版本。这项工作继续绑定人工和大脑网络的计算，提供了对大脑皮层相互作用的新理解，并表明更广泛的皮层区域如何执行超出当前神经科学模型的复杂任务，如语言理解。
2022-03-15 cs.LG cs.NE q-bio.NC
Emergent Computations in Trained Artificial Neural Networks and Real Brains
Universidad Autónoma de Madrid（马德里自治大学）；Sano - Centre for Computational Personalised Medicine（Sano计算个性化医学中心）
突触可塑性使大脑皮层回路能够学习新的任务并适应不断变化的环境。大脑皮层回路是如何利用可塑性来获得决策或工作记忆等功能的？神经元以复杂的方式连接，形成循环的神经网络，学习改变了它们连接的强度。此外，神经元发出短暂的离散电信号进行通信。在这里，我们描述了如何在神经科学实验室中训练动物的任务中训练递归神经网络，以及如何在训练好的网络中出现计算。令人惊讶的是，人工网络和真正的大脑可以使用类似的计算策略。
2022-12-13 cs.AI cs.NE q-bio.NC
Neural Manifolds and Cognitive Consistency: A New Approach to Memory Consolidation in Artificial Systems
National Economics University（国民经济大学）；G.A.I.A QTech LLC（G.A.I.A QTech有限责任公司）
提出统一神经群体动力学、海马体SpWR生成与认知一致性约束的数学框架，利用低维流形表示和平衡能量函数模拟记忆巩固，重现SpWR特征并增强网络可解释性。
2025-02-25 cs.AI cs.NE q-bio.NC
Efficient coding with chaotic neural networks: A journey from neuroscience to physics and back
本文以高效编码和皮层计算为线索，综述随机神经网络混沌、混沌涨落部分抑制等研究，阐明理论神经科学与非平衡统计物理的相互推动及未来交叉挑战。
2024-08-04 nlin.CD q-bio.NC
Listen to the Waves: Using a Neuronal Model of the Human Auditory System to Predict Ocean Waves
Leibniz Institute for Neurobiology（莱布尼茨神经生物学研究所）；Université de Pau et des Pays de l’Adour（波城与阿杜尔大学）；University of Hawaii at Manoa（夏威夷大学马诺阿分校）；Lancaster University（兰卡斯特大学）；University of Bergen（卑尔根大学）
受海浪与声波的相似性启发，研究人员仿照大脑听觉系统 redesign 回声状态网络用于实时海浪预测，该工具计算量低、鲁棒性强、适配多海况，验证了神经科学与机器学习融合的优势。
2024-04-15 cs.LG cs.NE eess.SP
Analyzing biological and artificial neural networks: challenges with opportunities for synergy?
Facebook AI Research（脸书人工智能研究院）；DeepMind（深度思维）；Technical University of Munich（慕尼黑工业大学）
深度神经网络（DNN）在多个处理阶段转换刺激，以产生可用于解决复杂任务的表示，例如图像中的对象识别。然而，对他们如何实现这一目标的充分理解仍然难以捉摸。生物神经网络的复杂性大大超过了DNN的复杂性，这使得理解它们学习的表示更加具有挑战性。因此，机器学习和计算神经科学都面临着一个共同的挑战：我们如何分析它们的表示，以了解它们如何解决复杂的任务？我们回顾了计算神经科学家开发的数据分析概念和技术如何有助于分析DNN中的表示，反过来，最近开发的DNN分析技术如何有助于理解生物神经网络中的表示。我们探索这两个领域之间的协同作用的机会，例如使用DNN作为神经科学的计算机模型系统，以及这种协同作用如何导致关于生物神经网络的操作原理的新假设。
2018-10-31 cs.AI cs.CV cs.LG
Deep neuroethology of a virtual rodent
神经科学和深度学习的并行发展导致了相互富有成效的交流，推动了我们对感官和认知系统中真实和人工神经网络的理解。然而，这种场之间的相互作用在运动控制的研究中较少。在这项工作中，我们开发了一个虚拟的啮齿动物作为接地的研究体现控制的人工模型中的运动活动的平台。然后，我们使用这个平台通过训练一个模型来解决四个复杂的任务，来研究不同背景下的运动活动。使用熟悉的神经科学家的方法，我们描述的行为表示和算法所采用的不同层的网络使用神经行为学的方法来表征运动活动相对于啮齿动物的行为和目标。我们发现，该模型使用两类表示，分别编码特定于任务的行为策略和任务不变的行为运动学。这些表征反映在神经亚群的序列活动和种群动力学中。总的来说，虚拟啮齿动物促进了深度强化学习和运动神经科学之间的基础合作。
2019-11-21 q-bio.NC
Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data
本文提出构建基于AI的代理大脑的统一框架，整合正向建模、逆问题求解与模型评估，利用大规模脑数据准确预测全脑动力学，为动力学系统分析、虚拟扰动和模型引导神经刺激提供仿真平台，桥接理论神经科学与转化神经工程学。
2025-10-11 cs.NE q-bio.NC
Deep Learning for Cognitive Neuroscience
Justus-Liebig University Giessen（吉森尤斯利比希大学）；Columbia University（哥伦比亚大学）
神经网络模型现在可以识别图像，理解文本，翻译语言，并在人类或超人水平上玩许多人类游戏。这些系统是高度抽象的，但受到生物大脑的启发，只使用生物学上合理的计算。在未来几年，神经网络可能会变得不那么依赖于从大量标记数据集中学习，并且在任务性能方面更加强大和通用。从他们的成功和失败中，我们可以了解大脑擅长的不同任务的计算要求。深度学习还提供了测试认知理论的工具。为了测试一个理论，我们需要大规模地实现所提出的信息处理系统，以便能够评估其可行性和涌现行为。深度学习使我们能够从原理和电路模型扩展到能够执行复杂任务的端到端可训练模型。认知神经科学家可以在许多层面上使用深度学习，从启发性的理论到作为完整的计算模型。深度学习的不断进步使我们更接近于理解认知和感知如何在大脑中实现-这是认知神经科学核心的重大挑战。
2019-03-04 cs.LG q-bio.NC
A Stochastic Quantum Neural Network Model for Ai
Chaire Humanités Numériques, Research Gendarmerie Center（数字人文教席，宪兵研究中心）
针对现有ANN受冯·诺依曼架构限制难以模拟生物大脑复杂性的问题，本文提出纳入神经元随机波动的随机量子神经网络QNNS并给出其数学形式化，探讨相关挑战与应用价值。
2025-11-03 math.QA q-bio.NC quant-ph
Brain experiments imply adaptation mechanisms which outperform common AI learning algorithms
几十年来，研究人员试图模仿大脑的功能，在神经科学和人工智能之间架起了桥梁;然而，实验神经科学并没有直接推动机器学习领域的发展。在这里，使用神经元培养，我们证明，增加训练频率加速神经元的适应过程。该机制在人工神经网络上实现，其中局部学习步长对于连贯的连续学习步骤增加，并在手写数字的简单数据集MNIST上进行测试。基于我们的在线学习结果和一些手写示例，大脑启发算法的成功率大大超过了常用的机器学习算法。我们推测，这种从缓慢的大脑功能到机器学习的新兴桥梁将在有限的例子下促进超快速决策，这在人类活动，机器人控制和网络优化的许多方面都是现实。
2020-04-23 physics.bio-ph q-bio.NC
The Neuroscience of Transformers
University of Osnabrück（奥斯纳布吕克大学）；University Medical Center Hamburg-Eppendorf（汉堡-埃彭多夫大学医学中心）；Erasmus MC（伊拉斯姆斯大学医学中心）
本文探讨变换器网络如何类比大脑皮层微电路结构，提出变换器操作与皮层分层特征的映射关系，为研究皮层功能提供新视角。
2026-03-16 q-bio.NC q-bio.SC q-bio.TO
Mapping fMRI Signal and Image Stimuli in an Artificial Neural Network Latent Space: Bringing Artificial and Natural Minds Together
Tilburg University（蒂尔堡大学）
本研究通过表征相似性分析比较自编码器与视觉变换器的潜在空间，初步探究fMRI数据与图像刺激的共享信息，发现两者存在差异，需进一步研究。
2025-03-27 cs.CV q-bio.NC
Functional Connectome: Approximating Brain Networks with Artificial Neural Networks
University College London（伦敦大学学院）
我们的目的是探索深度学习的能力，以近似生物神经回路的功能-功能连接体。使用深度神经网络，我们使用从综合构建的神经回路以及从经验支持的边界向量单元-位置单元网络中提取的发射率观察值进行监督学习。使用一系列标准和任务量化训练网络的性能。我们的研究结果表明，深度神经网络能够以高精度捕获合成生物网络执行的计算，并且具有高度的数据效率和对生物可塑性的鲁棒性。我们表明，经过训练的深度神经网络能够在新的环境中执行zero-shot概括，并允许执行大量任务，例如高精度地解码动物在空间中的位置。我们的研究揭示了系统神经科学中一个新颖而有前途的方向，并且可以扩展到许多下游应用，例如目标导向的强化学习。
2022-11-23 cs.LG cs.NE q-bio.NC
Emergence and reconfiguration of modular structure for synaptic neural networks during continual familiarity detection
本研究通过分析Hebbian前馈网络在持续熟悉度检测中的时间动态，发现网络模块化的涌现是性能的关键预测因子，且模块化随学习灵活性增强而增强，从而桥接人工与生物学习理解。
2023-11-10 q-bio.NC q-bio.QM
Biological connectomes as a representation for the architecture of artificial neural networks
George Mason University（乔治梅森大学）；University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
神经科学的巨大努力正致力于绘制许多新物种的连接体，包括即将完成的黑腹果蝇。重要的是要问这些模型是否能使人工智能受益。在这项工作中，我们提出了两个基本问题：（1）生物连接体何时何地可以在机器学习中使用，（2）哪些设计原则是提取连接体的良好表示所必需的。为此，我们翻译的C。线虫进入人工神经网络在不同层次的生物物理现实主义和评估结果的运动和非运动的行为任务训练这些网络。我们证明，生物物理现实主义不需要坚持使用生物电路的优势。我们还建立，即使不保留确切的布线图，建筑统计数据提供了一个有价值的先验。最后，我们表明，而C。Elegans运动回路在运动问题上提供了一个强大的归纳偏差，它的结构可能会阻碍与运动无关的任务的执行，如视觉分类问题。
2022-10-05 cs.AI cs.LG cs.NE
Expressivity of Neural Networks with Random Weights and Learned Biases
该研究通过理论与数值证据证明，仅学习偏置、权重固定随机的前馈神经网络可在紧集上近似任意连续函数，循环神经网络也有类似结论，为神经科学与大模型微调提供了理论支撑。
2025-03-21 cs.NE q-bio.NC stat.ML
Better artificial intelligence does not mean better models of biology
Brown University（布朗大学）；Columbia University（哥伦比亚大学）
随着DNNs在视觉基准上达到超人类准确率，其与灵长类神经响应的对齐趋于停滞甚至恶化，表明视觉科学需开发基于生物视觉系统的算法而非优化AI基准。
2025-04-28 cs.AI cs.CV q-bio.NC
A theory of neural emulators
University of Basel（巴塞尔大学）；Foresight Institute（远见研究所）
本文提出神经模拟器理论，主张仅基于神经动力学和行为训练的预测模型可产生与生物系统功能不可区分的系统，为神经科学提供替代研究范式。
2024-05-22 cs.AI q-bio.NC
Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural Networks
The Chinese University of Hong Kong（香港中文大学）；Southeast University（东南大学）；Cornell University（康奈尔大学）
纵观历史，人工智能特别是人工神经网络的发展一直是开放的，并不断受到对大脑日益加深的理解的启发，比如神经认知机的启发，它是卷积神经网络的开创性工作。根据新兴领域NeuroAI的动机，大量的神经科学知识可以通过赋予网络更强大的功能来帮助催化下一代AI。正如我们所知，人类大脑有许多形态和功能不同的神经元，而人工神经网络几乎完全建立在一个单一的神经元类型。在人类大脑中，神经元的多样性是各种生物智能行为的一个使能因素。由于人工网络是人类大脑的缩影，因此引入神经元多样性对于解决人工网络的基本问题（如效率、可解释性和记忆）应该是有价值的。在本书中，我们首先讨论了生物神经元多样性的分类以及生物神经元中信息传递和处理的特征。然后，我们回顾了人工网络设计新的神经元的研究。接下来，我们将讨论神经元多样性可以为人工网络带来什么好处，以及在几个重要领域的示例性应用。最后，我们讨论了神经元多样性的挑战和未来方向，以探索NeuroAI的潜力。
2023-03-11 cs.AI cs.ET cs.LG
Artificial neural networks for neuroscientists: A primer
Center for Theoretical Neuroscience, Columbia University（哥伦比亚大学理论神经科学中心）；Center for Neural Science, New York University（纽约大学神经科学中心）
人工神经网络（ANN）是机器学习中的重要工具，在神经科学中引起了越来越多的关注。除了为数据分析提供强大的技术外，人工神经网络还为神经科学家提供了一种新的方法，可以为复杂行为、异构神经活动和电路连接建立模型，并以传统模型无法实现的方式探索神经系统的优化。在本教程中，我们介绍了人工神经网络，并展示了它们是如何卓有成效地用于研究神经科学问题的。我们首先讨论了人工神经网络的基本概念和方法。然后，重点是使这个数学框架更接近神经生物学，我们详细介绍了如何自定义人工神经网络的分析，结构和学习，以更好地解决大脑研究中的各种挑战。为了帮助读者获得实践经验，本入门书附带了PyTorch和PyTorter Notebook中的教程式代码，涵盖了主要主题。
2020-09-24 cs.LG q-bio.NC
Toward Next-Generation Artificial Intelligence: Catalyzing the NeuroAI Revolution
长期以来，神经科学一直是人工智能（AI）进步的重要驱动力。我们建议，为了加快人工智能的进展，我们必须投资于NeuroAI的基础研究。其中的一个核心组成部分是具体的图灵测试，它挑战人工智能动物模型与感觉运动世界进行互动，其技能水平与它们的活体相似。具身图灵测试将重点从那些特别发达或人类独有的能力（如游戏和语言）转移到那些从超过5亿年的进化中继承下来的所有动物都拥有的能力。构建能够通过嵌入式图灵测试的模型将为下一代人工智能提供路线图。
2023-02-22 cs.AI q-bio.NC
The dynamics of neural codes in biological and artificial neural networks
本论文结合计算、机器学习与理论物理方法，研究生物与人工神经网络的动力学及神经编码，揭示了临界现象、表征流形拓扑与气味编码漂移的机制。
2024-02-20 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Sparse learning enabled by constraints on connectivity and function
本文利用可精确求解的联想学习模型，比较不同稀疏性约束，发现 $l_0$ 范数给出最优稀疏度，而剪除弱连接可近乎同等高效且支持在线实施。
2024-09-08 cond-mat.dis-nn q-bio.NC
Spatiotemporal Patterns in Neurobiology: An Overview for Future Artificial Intelligence
近年来，人们对开发模型和工具来解决脑组织中发现的复杂连接模式越来越感兴趣。具体来说，这是由于需要了解如何从这些网络结构中出现的紧急属性在多个时空尺度。我们认为，计算模型的关键工具，阐明可能出现的功能，从多尺度的时间和空间域上的复杂网络连接的异质神经元的相互作用。在这里，我们回顾了几类模型，包括尖峰神经元，具有短期可塑性（STP）的整合和激发神经元，基于STP的电导整合和激发模型，以及人口密度神经场（PDNF）模型，使用简单的例子强调神经科学应用，同时也为AI提供了一些潜在的未来研究方向。这些计算方法使我们能够从实验和理论上探索改变潜在机制对网络功能的影响。因此，我们希望这些研究能够为人工智能算法的未来发展提供信息，并帮助验证我们对基于动物或人类实验的大脑过程的理解。
2022-04-14 cs.AI q-bio.MN q-bio.NC
The Way We Prompt: Conceptual Blending, Neural Dynamics, and Prompt-Induced Transitions in LLMs
Kanazawa University（金泽大学）
本研究将概念整合理论操作化为实验框架，通过提示方法探究大语言模型的语义整合机制，对比人工与生物认知的异同，提出提示工程可作为探究意义深层结构的科学方法。
2025-05-16 cs.CL q-bio.NC
Topological exploration of artificial neuronal network dynamics
神经科学的最大挑战之一是了解单个神经元的动力学以及它们在相互连接时如何产生网络动力学。从历史上看，研究人员已经诉诸图论，统计学和统计力学来描述这种网络动态的时空结构。我们的新方法采用代数拓扑工具来表征网络结构和动力学的全局特性。我们提出了一种基于持久同源性的方法，自动分类网络动态使用拓扑特征的空间建立从各种尖峰列车距离。我们调查我们的方法的有效性，通过模拟活动在三个小的人工神经网络与不同的参数集，产生的动态，可以分为四个政权。然后，我们计算三个措施的脉冲序列相似性，并使用持久的同源性提取的拓扑特征，是从根本上不同于传统方法中使用的。我们的研究结果表明，在这些特征上训练的机器学习分类器可以准确地预测它所训练的网络的状态，并且还可以推广到训练过程中没有出现的其他网络。此外，我们证明了使用从多个尖峰序列距离中提取的特征系统地提高了我们方法的性能。
2019-01-28 math.AT q-bio.NC
Mode-conditioned music learning and composition: a spiking neural network inspired by neuroscience and psychology
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Chinese Academy of Sciences（中国科学院脑认知与类脑智能技术重点实验室）
针对现有音乐AI忽略调式多样性的问题，提出受脑机制与心理学启发的多子系统协同脉冲神经网络，通过神经环路进化学习生成指定调式音乐，兼具调性与旋律适应性，架起人类认知与AI的桥梁。
2025-01-14 cs.AI cs.SD eess.AS
