大腦是人體最復(fù)雜的器官, 也是高超、精巧和完善的信息處理系統(tǒng)。雖然現(xiàn)代人工智能模型在識(shí)別圖像、語(yǔ)音、文字等方面已經(jīng)有優(yōu)異的表現(xiàn)，但相較于能處理復(fù)雜多變環(huán)境信息的大腦，人工智能模型仍“遜色”不少。

人腦的信息處理機(jī)制能為人工智能“進(jìn)化”開(kāi)辟新思路嗎？近日，中科院自動(dòng)化研究所研究員曾毅團(tuán)隊(duì)提出了受量子疊加啟發(fā)的脈沖神經(jīng)網(wǎng)絡(luò)（QS-SNN），相比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它在背景反轉(zhuǎn)圖像識(shí)別、帶有噪聲的圖像識(shí)別方面都表現(xiàn)出了更好的泛化能力。相關(guān)研究成果發(fā)表于《交叉科學(xué)》。

靈感源于量子大腦假說(shuō)

大腦的高效性受很多重要因素影響，包括大腦神經(jīng)元的種類、數(shù)量以及連接的復(fù)雜性。此外，神經(jīng)元發(fā)放的脈沖序列所具有的時(shí)間維度信息、大腦中可能存在的量子信息處理機(jī)制都可能是大腦產(chǎn)生高級(jí)功能的關(guān)鍵。

量子生物學(xué)研究發(fā)現(xiàn)一些生物反應(yīng)過(guò)程中可以觀測(cè)到量子效應(yīng)，但大腦是否是一個(gè)量子信息處理系統(tǒng)仍存爭(zhēng)議。曾毅表示，開(kāi)展這項(xiàng)研究并不是為了給量子大腦假說(shuō)提供直接的有說(shuō)服力的證據(jù)，而是探索受量子信息理論和大腦脈沖信號(hào)編碼啟發(fā)的新型人工智能模型。

他認(rèn)為，與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)不同，大腦的復(fù)雜認(rèn)知功能，一方面源于其神經(jīng)元和網(wǎng)絡(luò)連接的復(fù)雜結(jié)構(gòu)，另一方面源于其強(qiáng)大的信息編碼能力。雖然以往的研究已經(jīng)證明量子計(jì)算的引入加速人工智能模型的信息處理，但他們?nèi)韵Ｍ肀脔鑿剑ㄟ^(guò)量子理論的引入使神經(jīng)網(wǎng)絡(luò)獲得前所未有的能力。

“量子信息和神經(jīng)元脈沖之間具有機(jī)制上的相似性。量子態(tài)以希爾伯特空間的復(fù)向量表示，對(duì)應(yīng)的神經(jīng)元脈沖也具有頻率和相位時(shí)空維度信息，而傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)只在實(shí)數(shù)空間表示信息，信息維度的拓展意味著表示能力加強(qiáng)?！痹憬忉尩?。

基于此，研究人員提出了受量子信息啟發(fā)的神經(jīng)元脈沖頻率—相位信息編碼模式，該模式結(jié)合脈沖神經(jīng)網(wǎng)絡(luò)，能夠很好地處理背景反轉(zhuǎn)的圖片以及加入背景噪聲的圖片，獲得超過(guò)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的性能。

更接近于人的能力

對(duì)于背景反轉(zhuǎn)等圖像屬性的巨大變化，傳統(tǒng)的全連接人工神經(jīng)網(wǎng)絡(luò)（ANN）和卷積神經(jīng)網(wǎng)絡(luò)模型是難以處理的，而QS-SNN模型在識(shí)別背景反轉(zhuǎn)圖像時(shí)，能夠保持識(shí)別性能基本不變，這與人類的認(rèn)知行為更接近。

不僅如此，與其他神經(jīng)網(wǎng)絡(luò)模型相比，QS-SNN在抗干擾能力方面也更接近人類的視覺(jué)能力。隨著更多反轉(zhuǎn)像素噪聲添加到圖像中，它們變得越來(lái)越難以識(shí)別，而當(dāng)更多的噪聲添加到像素中，圖像特征再次變得清晰，QS-SNN迅速恢復(fù)了對(duì)圖像的識(shí)別能力，而其他的人工神經(jīng)網(wǎng)絡(luò)模型卻沒(méi)有。

實(shí)際上，傳統(tǒng)的量子機(jī)器學(xué)習(xí)研究中，會(huì)將圖像處理方法與量子信息理論相結(jié)合，將圖像轉(zhuǎn)換為量子狀態(tài)，從而使用量子計(jì)算加速圖像處理算法。但曾毅認(rèn)為，這樣的融合并沒(méi)有賦予人工智能模型新的認(rèn)知能力。

該論文第一作者、中科院自動(dòng)化研究所博士生孫胤乾表示，該研究提出了一種互補(bǔ)疊加信息編碼方法，并在量子圖像形成和時(shí)空脈沖序列之間建立了聯(lián)系。與柔性量子圖像表征算法不同的是，這種編碼方法在借鑒傳統(tǒng)量子圖像編碼的基礎(chǔ)上使用了糾纏態(tài)量子比特編碼原始圖片信息和背景反轉(zhuǎn)圖片信息，而柔性量子圖像表征算法只是編碼像素信息。

實(shí)際上，早在2017年，曾毅團(tuán)隊(duì)就開(kāi)始類腦量子智能的研究，他們相信，將量子理論融入類腦智能的研究會(huì)給傳統(tǒng)的人工智能模型帶來(lái)新的能力?！半m然這只是初步嘗試后取得的點(diǎn)滴成果，但讓我們?cè)陂_(kāi)展后續(xù)研究時(shí)信心倍增。”

來(lái)源：《中國(guó)科學(xué)報(bào)》