秀丽隐杆线虫正迅速成为AI的吉祥物。我们拥有完整的神经元回路，这已经取得了令人瞩目的成就，包括构建蠕虫大脑的人工版本。现在，我们正进入使用创造性发现的电路的时代。
秀丽隐杆线虫是一种微小的线虫，但目前非常重要。我们有一个公认的简单神经回路的完整图谱。它已以多种方式用于实现蠕虫的大脑，令人惊讶的是，人工设备的行为看起来像蠕虫一样。这很有趣，但是单个神经元的建模并不现实。更多的人工神经网络以相同的方式连接起来。现在，来自奥地利TU Wien的Mathias Lechner，Radu Grosu和Ramin M. Hasani的研究人员团队创建了一个更准确的模型，并将神经网络的一部分重新用于其他工作。
使用微分方程为泄漏积分和火神经元建模神经元-在生物学上比在人工神经网络中找到的神经元加权总和类型更合理。建模的网络部分是“窃听撤回” TW电路，当窃听其尾巴时，蠕虫会移动。
这用于控制倒立摆-这是标准的AI任务，尤其是在强化学习中。倒立摆基本上是连接到小推车上的铰接杆。推车可以向左或向右移动，任务是将其移动以平衡杆。这与抽头抽回动作足够相似，以允许相同的神经元回路完成这项工作：
使用了电路的结构，但通过基于搜索的强化学习算法调整了参数。这似乎可行：
“最终的TW神经回路实现了最大可能的1,000的回报，这等于PID状态控制器或人工神经网络的性能。但是，由于手推车的位置和速度要么馈入电路中，要么直接影响奖励，因此受控手推车会产生很小的漂移，这会在环境评估后使其到达可移动空间的一端。结束”
您可以在以下短视频中看到运行中的电路：
您还可以在推车移动时看到电路中神经元的功能。
这很有趣，因为它证明了TW回路中神经元的结构能够解决一个困难的控制问题，而要做的就是调整控制神经元敏感度的参数。请注意，网络不是通常意义上的学习任务，而是使用强化学习来调整它。据推测，这些参数可能会随着时间的推移以渐进方式进行调整。
网络中的结构似乎具有很多功能，这是我们当前典型的人工神经网络与TW之间的另一个巨大差异。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。