这里是我读《神经生物学：从神经元到脑》时写的一点笔记，希望有帮助

### 2022-10-5

把《神经生物学：从神经元到脑》基本上看完了，中间跳过了许多生物上的细节。

我比较感兴趣的是第 23 章，这一章讲神经系统的发育。其中提到，神经元在初期时，
会通过某种导向作用自动连接到远处的特定神经元。我一开始构想的是随机连接，而这
个想法被作者否定了。

目前的思路已经明朗了，这里大致写一下：

0. 先天遗传：父代的大脑，通过某些机制提取主要参数并打包，然后发送给子代，子
代在初始化大脑的拓补结构时，先按照父代的参数连接，然后再随机连接一部分神经元
0. 后天学习：通过对大脑的部分接口神经元的反复刺激，自动调节突触的权重，达成
条件反射

另外：妈的，C++ 不支持交叉引用，果断选择 Java。

### 2022-10-1

由于动作电位的强度是固定的，所以信号的大小的形式不是强度而是频率。电信号的频
率越高，突触前膜在单位时间内释放的神经递质就越多，突触后面的电位变化越显著，
下一个神经元产生动作电位的可能性就越大。

### 2022-9-30

确定一下研究的方向吧。毫无疑问，肯定是要做实验的，只有实验结果与理论上的预期
结果基本一致时，才能说明取得了一定的成果。

我们这里先制定一个最基本的实验，用来判断这个程序是否表现出一定的智能：

0. 设置 4 个特殊的神经元，编号 A, B, a, b，这些神经元可以认为控制其状态。
0. 学习：反复激活神经元 A 和 a，同时控制 B 和 b 的非活跃状况；然后反复激活神
经元 B 和 b，同时控制 A 和 a 的非活跃状况。
0. 测试：激活神经元 A，观察神经元 a 和 b 的激活情况；激活神经元 B，观察神经
元 a 和 b 的激活情况。
0. 对照组设置：不作处理。
0. 预期结果：实验组：在 A 被激活后，a 活跃而 b 静默；在 B 被激活后，b 活跃而
 a 静默。对照组：无论激活 A 还是 B，a 和 b 均保持静默。
0. 结论：程序具有 A -> a 和 B -> b 的条件反射。

先把人体中的神经调节基本方式在程序里模拟出来，再看看其它的高级功能。

### 2022-9-29

最近在看尼古尔斯（Nicholls, J.G.）的《神经生物学：从神经元到脑》，颇有启发。

0. 神经网络与生物中神经元连接方式的显著差异

在讲解视网膜附近的信号传输时，作者给出了简单的信号传输方向：

> 光 -> 光感受器中的局部分级信号 -> 双极细胞中的局部分级信号 -> 神经节细胞中
的局部分级电位 -> 神经节细胞中的动作电位 -> 传至高级中枢
> （引自《神经生物学：从神经元到脑》）

在靠近光感受器的神经元中，出现了同一层神经元之间的相互连接（侧向连接，
lateral connection）和指向相反方向的连接（返回性连接，recurrent
connection）。如果映射到 ANN 上，就是说对于某一层内的神经元，他们之间是有连
接的；后面一层的神经元可以把信息传递给前面一层的神经元。而这显然是有悖于现在
主流的 ANN 模型的。

0. 局部分级电位与动作电位

神经系统中的电信号可以分为两类：局部分级电位（localized graded potential）与
动作电位（action potential）。局部分级电位由感受器产生，单个感受器产生的局部
分级电位的强度小，但是多个局部分级电位可以叠加，尽管如此局部分级电位仍然不宜
用于信号的远距离传输。动作电位是普遍存在于神经元活动的电信号，特点是其强度和
时长在每个神经元几乎是稳定的。动作电位的强度可以由电位的发生频率决定。

0. 神经元的工作机制

神经元接收到各种电信号时，膜内外电位差会发生变化。当电位差超出一定阈值后，神
经元会产生动作电位。动作电位沿着轴突传导，到达突触时电信号转变为化学信号，由
突触前膜释放的神经递质来决定是兴奋信号还是抑制信号。可以看出，一个神经元只受
连接它的其它神经元的影响，所以神经元具有并行计算的能力。

0. 整合机制

对于视网膜神经节细胞，它会整合（integration）若干光感受器
（实际上是双极细胞）的信号，对其进行处理，最后输出有意义的结果，例如，如果在
这片区域中，中央位置的亮度显著高于四周位置的亮度，那么神经节细胞会产生的动作
电位频率很高；如果这片区域接收到的光强都是一样高的，那么细胞会产生的动作电位
频率比较低。这种机制有点类似于 CNN 中的卷积与池化操作。

0. 神经系统的发育

神经系统中的细胞并非完全一样的，而是呈现出模块化。在一个模块中的神经元，功能
和表现是类似的。同时，不同模块之间的连接也在每一代生物体之间表现出相似性。

早期的无脊椎动物，只能对外界刺激做出简单的反应，而人类的婴儿，不仅可以做出反
应，而且可以学习，之后能做出更复杂的反应。出现这种差别的原因，可能是婴儿的父
母已经形成了模块化的神经系统，并且将它通过基因遗传给后代，使后代可以比较轻松
地建立连接，而无脊椎动物不具有模块化的神经系统。

先天遗传决定智力下限，后天学习决定智力上限。如果真的是这样的话，那么我们可以
先用遗传算法找到模块化的最优方案，然后再在其基础上进行训练。遗传负责大体方向
，而训练负责具体细节。

0. 超出预期的复杂度

> 这样一个运动神经元接收的输入纤维超过 10,000 条。……小脑中单个神经元接收的
输入超过 100,000。
> （引自《神经生物学：从神经元到脑》）

这是在人的神经系统中真实存在的。由于物理世界中自然存在的并行性，所以这种结构
是很容易实现的，但是对于并行计算能力不强的计算机来说，这种任务的复杂度显然过
于夸张（在有 GPU 参与计算的情况下依然如此）。再考虑到可能在运行时会新建突触
，整体的复杂度肯定是 O(N^2) 往上走。

drinkjava2/人工生命

内容风险标识

评论 (2)

drinkjava2/人工生命 .gitee-modal { width: 500px !important; }

内容风险标识