新方法毫不费力地实现了惊人的结果。
自然生长的大脑与普通的计算机程序完全不同。它不使用由清晰的逻辑指令组成的代码，它是相互通信的单元网络中国机械网okmao.com。
在计算机上模拟此类网络可以帮助解决难以分解为逻辑操作的问题。
在维也纳维也纳（TU Wien），与麻省理工学院（MIT）的研究人员合作，现已开发出一种对此类神经网络进行编程的新方法，该方法以完全不同的方式对神经信号的时间演化进行建模。
它的灵感来自于一个特别简单且经过精心研究的生物-round虫秀丽隐杆线虫。
在计算机上模拟了来自其神经系统的神经回路，然后使用机器学习算法对模型进行了修改。
这样，可以用极少的模拟神经细胞来解决非凡的任务，例如停车。即使蠕虫启发的网络仅包含12个神经元，可以训练它将漫游机器人引导到指定地点。
维也纳工业大学计算机工程研究所的Ramin Hasani现在在10月20日于维也纳举行的TEDx会议上介绍了他的工作。
可以证明，这些新颖的神经网络具有极强的通用性。与通常被认为是有用但难以理解的“黑匣子”的标准人工神经网络相比，另一个优点是可以理解它们的内部动力学。
神经网络：互连神经元的不同层。图片来源：维也纳科技大学
分支网络中的信号
“必须训练神经网络” Ramin Hasani说。“您提供一个特定的输入并调整神经元之间的连接，以便传递所需的输出。”
输入例如可以是照片，输出可以是图片中人物的名字。维也纳工业大学计算机工程研究所的Radu Grosu说：“时间通常在此过程中不起作用。” 对于大多数神经网络，所有输入都立即传递，立即产生一定的输出。但是自然界的情况却大不相同。
例如，语音识别总是与时间相关的，同时翻译或运动序列对变化的环境也有反应。“使用RNN或递归神经网络可以更好地处理这些任务，” Ramin Hasani说。“这是一种可以捕获序列的架构，因为它使神经元记住以前发生的事情。”
Hasani和他的同事们提出了一种基于生物物理神经元和突触模型的新颖RNN体系结构，该模型允许时变动力学。拉明·哈萨尼说：“在标准的RNN模型中，神经元一和神经元二之间存在恒定的联系，定义了神经元一的活动对神经元二的活动有多强烈的影响。” “在我们新颖的RNN架构中，此链接是时间的非线性函数。”
可以停放汽车的蠕虫脑
允许单元活动和单元之间的链接随时间变化，开辟了全新的可能性。Ramin Hasani，Mathias Lechner及其同事在理论上表明，他们的体系结构原则上可以近似任意动力学。
为了证明这种新方法的多功能性，他们开发并训练了一个小型神经网络：“我们重新利用了线虫线虫神经系统的神经回路。
它负责产生简单的自反行为-触摸-撤离”，现在在奥地利科学技术学院（IST）工作的Mathias Lechner说。“该神经网络经过仿真和培训，可以控制现实生活中的应用。”
成功非常了不起：只有12个神经元的小型，简单的网络（经过适当的训练）可以解决具有挑战性的任务。
例如，它经过培训可以沿预定路径将车辆操纵到停车位。哈萨尼说：“在我们的案例中，神经网络的输出实际上可以控制线虫蠕虫的运动，它的作用是操纵和加速车辆。”
“我们在理论上和实验上证明了我们新颖的神经网络可以解决现实生活中和模拟物理环境中的复杂任务。”
新方法的另一个重要优点是：它可以更好地了解神经网络的内部工作原理。以前的神经网络通常由成千上万个节点组成，它是如此复杂，以至于只能分析最终结果。很难对内部发生的事情有更深入的了解。
维也纳小组规模较小但功能极为强大的网络更易于分析，因此科学家至少可以部分了解哪种神经细胞引起哪种作用。哈萨尼说：“这是一个巨大的优势，它鼓励我们进一步研究其性能。”
当然，这并不意味着将来汽车会被人造蠕虫停泊，但这表明具有更像大脑的架构的人工智能可能比以前认为的强大得多。