Richtung Deep Learning mit segregierten Dendriten

Deep Learning hat zu erheblichen Fortschritten in der künstlichen Intelligenz geführt, teilweise durch die Übernahme von Strategien, die von der Neurophysiologie motiviert sind. Es ist jedoch unklar, ob Deep Learning im echten Gehirn stattfinden könnte. Hier zeigen wir, dass ein Deep-Learning-Algorithmus, der multikompartimentale Neuronen verwendet, uns helfen könnte zu verstehen, wie der Neokortex Kostenfunktionen optimiert. Ähnlich wie neokortikale pyramidal Neuronen erhalten die Neuronen in unserem Modell sensorische Informationen und höhergradiges Feedback in elektrotonisch segregierten Kompartimenten. Dank dieser Segregation können Neuronen in verschiedenen Schichten des Netzwerks synaptische Gewichtsanpassungen koordinieren. Als Ergebnis lernt das Netzwerk, Bilder besser zu kategorisieren als ein Netzwerk mit einer einzelnen Schicht. Darüber hinaus zeigen wir, dass unser Algorithmus von mehrschichtigen Architekturen profitiert, um nützliche höhergradige Repräsentationen zu identifizieren - das Markenzeichen von Deep Learning. Diese Arbeit demonstriert, dass Deep Learning unter Verwendung segregierter dendritischer Kompartimente erreicht werden kann, was dazu beitragen könnte, die Morphologie neokortikaler pyramidaler Neuronen zu erklären.