摘要：佛罗里达科学研究中心（FORTH）的研究人员开发出了一种新型的人工神经网络（ANN），其融合了生物树突的特性。这种创新的设计使得图像识别既准确又稳健，同时使用的参数数量显著减少，为更紧凑且节能的人工智能系统铺平了道路。

佛罗里达科学研究中心（FORTH）的研究人员开发出了一种新型的人工神经网络（ANN），其融合了生物树突的特性。这种创新的设计使得图像识别既准确又稳健，同时使用的参数数量显著减少，为更紧凑且节能的人工智能系统铺平了道路。

研究背景

Background

人工智能（AI）在推动各行业创新以及提高效率方面发挥着至关重要的作用，它为复杂问题提供了更智能的解决方案，并提升了我们的日常生活品质。然而，当前的人工智能系统规模庞大，包含数百万至数十亿个参数，因此需要消耗大量的能源，这限制了其广泛应用。

通过将神经启发式特征融入人工智能中，我们可以创建出更小巧且更智能的系统，这些系统能够模拟我们大脑处理信息的方式，从而提高其在识别模式和做出决策方面的效率和效果。这将带来更高效和更有效的人工智能应用。

树突是神经细胞的分支状延伸部分，形似树枝。其主要功能是接收来自其他神经元的信息，并将其传递至细胞体。多年来，树突在信息处理中的作用一直不明确，但最近的研究表明，它们能够独立于主神经元进行复杂的计算。此外，树突对于大脑的可塑性至关重要，可塑性指的是大脑适应不断变化环境的能力。

研究结果

Result

在最近发表于《自然通讯》杂志的一篇论文中，FORTH 研究所分子生物学与生物技术研究所（IMBB）的帕尼亚伊奥塔·波里扎博士领导的研究团队提出了一种新型的人工神经元架构，该架构融合了生物树突的不同特征，并在各种图像识别场景中对其进行了测试。

研究结果表明，这些树状人工神经网络（dendritic ANNs）更能抵御过拟合现象，并且在使用更少的资源（即可训练参数和学习步骤）的情况下，能够达到或超越传统人工神经网络的性能。

这种改进源于一种独特的学习方法，即网络中的多个节点共同参与不同类别的编码。这与传统的人工神经网络（ANNs）不同，在传统ANNs 中，大多数节点都是针对特定类别的。总体而言，这项研究表明，纳入树突特征能够使人工神经网络变得更聪明、更高效。

新闻来源：Neuroscience

参考论文：DOI:10.1038/s41467-025-56297-9

来源：启真脑机智能基地