| 单词 | 计算神经科学 |
| 释义 | 【计算神经科学】 拼译：(computational neuroscience) 神经科学与计算机科学相互交叉而形成的一门边缘学科。其目标在于阐明神经计算的原理，探索神经结构完成何种功能，理解神经系统的状态所实现的信息表达的实质。所以，计算神经科学的唯一宗旨是研究脑如何工作。 计算神经科学的上述研究目标并不是新近才提出来的。它可以追溯到20世纪40年代初期的麦克卡洛克和匹茨(W．S．McCulloch，W．H．Pitts)的形式神经元假设：将神经元刻划为二值全或无单元，并表明由这种简单单元组成的网络能完成许多逻辑运算。1943年，麦克卡洛克和匹茨发表了著名的《神经活动性中所蕴含思想的逻辑运算》，一方面赋予神经元及由其组成的神经网络以符号逻辑描述，而对后来的形式神经元网络的理论及应用研究产生持续的倾向性影响；另一方面，他们有关“通过神经联结和神经元适当的阈值，大脑内神经元的活动性可以表征关于外部世界的感官初始命题的一切有限逻辑组合”的科学思想，不仅成为以后脑理论发展的基础，而且也是50年代以来神经科学中主要实验路线的基础。他们的思想与图灵(A．M．Turing)等有关通用数字计算机、元胞自动机‘控制论’，信息论等方面的思想一同形成计算神经科学的初步轮廓。70年代，Marr提出视觉信息处理的计算理论。Marr在思考神经结构所执行的计算与层次之间的关系时，从计算机科学中的层次概念出发，定义了视觉信息加工的3个层次：(1)计算层次(Computational level)，将视觉计算任务分解为它的主要组成部分；(2)算法层次，确定操作形式，对于给定的输入能给出正确的输出；(3)计算的物理实现层次。Marr强调算法层次的重要性和各层次之间的相对独立性。从事人工智能的学者将信息加工的观点带入神经科学和认知科学，但若以为这样就能解决认知问题那就是误会了。因为，如果不考虑神经生物学的约束，对认知过程的理论化即使不是不可能的，也是困难的。这有两个原因：一是计算空间极为庞大，对于认知操作是怎样完成的存在许多可取的解，而神经科学实验数据可以提供基本约束，缩小搜索空间；二是神经科学实验数据也会对在大脑中发生了什么，及如何演化的提供丰富的启示。同样，在另一方面只是了解了每个神经元及其发育，联结性响应特性如何仍然不能解决认知问题。这样，研究支配认知过程的网络与系统的集体计算特性就成为必然。就认识自然规律的过程而言，计算的各个层次之间的独立性是相对的。计算神经科学的一个重要工作假设，是高层次新显现的行为以一种系统的非线性的方式与低层次的行为相联系。因为与工程界在已知算法后可能有多种多样的实现不同，生物神经系统中从计算任务→算法→实现，只有一种选择，它受到物理的、生物化学的、遗传学的乃至进化的限制。认识这些限制的过程也就是认识大脑的神经计算原理的过程。这也正是新联结主义者和计算神经科学家与Marr的计算理论之间的本质区别。80年代以来，由于神经科学的进展，使人们对大脑有了更多的了解；更强有力的计算装置的出现，对一些大规模神经元网络简化模型的研究，使人们得到许多新的认识。人们正在把通过分子、细胞技术获得的微观水平的认识与通过行为研究和系统分析获得的系统水平的知识联系起来，以揭示神经系统在完成特定的计算任务时所采用的算法。计算神经科学认为，检验功能性假设的一种方法是构造一个网络模型，其处理单元具有与神经系统相同的响应特性，然后表明网络能否完成所设定的计算任务。莱基(S．R．Lehky)和谢吉诺夫斯基(T．J．Sejnowski)采用这种方法构造了一种层状前馈网络。该模型能像视网膜和外侧膝状体那样对输入图像进行变换，并从图像的明暗阴影中计算出该图像表面的主曲率及其朝向。网络运用反向传播学习算法，最终能与照明方向无关地计算出表面曲率。虽然这种从阴影到形状感知的简化脑模型没有直接模拟皮层神经元间的具体联结，但它仍然对视皮层信息加工的机理提出一些非平凡的假设和预测。弗里曼(W．J．Freeman)等关于嗅觉系统的模式生成与模式识别的神经生物学研究已成为自组织神经动力学与真实脑模型的一个范例。他们通过理论分析、计算机和硬件仿真及神经生物学实验证明，在嗅觉系统中，学习就是选择性限地改变神经元之间的兴奋性联结的强度，并导致相应的神经细胞群建构的过程；而识别就是对由极限环吸引子表征的整体活动性模式的分歧过程。晚近的研究资料进一步证明，猴视皮层也是按照与嗅球相似的基本神经动力学原理组织起来的。看来，混沌吸引子是大脑复杂性的不可避免的产物，它构成感知集体神经活动的基本形式，它作为一个可控噪声源，作为对已学感觉模式能连续存取的手段，作为学习新的感觉模式的手段，作为“I don’t Know”状态或“值班”状态，不是大脑的一个偶然副产品，而很可能是大脑不同于现有人工感知系统的主要特性。这一点已经给神经网络数学物理理论中有关达到遍历性破缺的途径的研究，给有关高维混沌的数学物理理论研究提出明确的问题，带来新的启示。赖夏特(W．Reichardt)等把精确的行为实验、神经电生理实验和系统分析相结合，研究蝇视觉指导与控制其飞行行为神经回路网络，并给出令人满意的简化脑模型，从而在计算的意义上阐明，在不断变化的环境中蝇以一种直觉上不明显的方式利用时变视觉信息，进而通过图形－背景分辨机制来控制自己的行为。在这项作为计算神经科学的研究范式中，脑模型的作用是在系统、网络、细胞和生物物理水平上提出合理的假设，并指导神经生物学和行为实验研究工作。在经历了最初的停顿与徘徊之后，计算神经科学的数学模拟和计算仿真已开始相当贴近于生物学实验事实，而且已经构成对神经科学实验的有力指导。在计算神经科学进入90年代的时候，模型与实验之间的辩证关系已变得明显起来。计算模型在作出关于神经系统如何工作的预测上已变得较为成熟。这些预测单凭直觉是办不到的。而关于脑的生理学知识又反过来修正模型，使之与神经生物学真实更加一致。计算神经科学的认识路线从麦克卡洛克一匹茨的形式神经元假设出发，历经感知机、并行分布处理网络、真实神经元模型，到神经系统自组织过程的定量预测，走的是一条循环上升的道路。计算神经科学的研究对于认识脑的微观组件及其联结的结构与功能变化，及其与宏观行为的变化之间的联系，已是不可缺少的研究领域。在未来计算神经科学的发展中，尚有一些重大问题需要回答：(1)简单神经系统的模型价值；(2)大脑的解剖结构及其中各功能核团的相对位置在神经计算中的作用；(3)神经科学中理论模型与生物实验的关系；(4)当试图对脑的神经计算建模时，空间尺度的选择；(5)当试图对脑的神经计算建模时，时间尺度的选择；(6)传统的计算机隐喻是否适合于人脑，等等。计算神经科学的发展还处于初级阶段，充满不同观点的争论是必然的。随着当代计算机科学、神经科学、数理科学和认知科学的汇聚，关于脑与精神的一些主要奥妙的阐明，将不再是空想。【参考文献】：1 Marr D Vision,San Francisco,W F. Freeman and Company, 1982,8～362 Schwarz(ed. ) EL. Computational Neuroscience, London, The MIT Press,1990,46～55.3 Churchland P S, Sejnowski T J. The Computational Brain, The MIT Press, 1991,1 ～ 604 Mcculloch, W S Pitts W H. Bull, Math. Biophys ,1943,7:89 ～93.5 Reichardt W, Ai - ke Guo. Biol. Cybern, 1986, 53: 285 ～306.6 Skarda.C A Freeman W J Behav,Brain Sci,1987,10 : 161 ～ 1957 Lehky,S R Sejnowski T J. Nature,1988,333:452～454.(中国科学院生物物理研究所郭爱克研究员撰) |
| 随便看 |
科学参考收录了7804条科技类词条，基本涵盖了常见科技类参考文献及英语词汇的翻译，是科学学习和研究的有利工具。