多尺度神经调制机制启发的类脑连续学习：探索生物智能融合计算新篇章

在人工智能的发展道路上，科学家们发现了生物系统中微观、介观、宏观等多尺度神经可塑性的奥秘，这些发现为实现更加高效的人工智能算法提供了强有力的理论依据。通过模仿大脑中的多巴胺和5-羟色胺等神经调质物的工作方式，研究人员开发出了一个全新的类脑学习方法，称为基于神经调制依赖可塑性的新型类脑学习方法（Neuromodulation-Assisted Credit Assignment, NACA）。这种方法不仅能够消除人工神经网络由于采用反向传播等人工学习方法而导致的灾难性遗忘现象，而且还能支持纯前馈流式学习训练脉冲和人工神经网络。

NACA算法是由中国科学院自动化研究所徐波研究员团队与中国科学院脑科学与智能技术卓越创新中心蒲慕明院士、临港实验室李澄宇研究员共同研发的一项技术。该算法参考了大脑中复杂的神经调制通路结构，并以期望矩阵编码形式对这些通路进行数学建模。在接受刺激信号后，该算法产生不同浓度的多巴胺监督信号，从而影响局部突触和神经元可塑性类型。

在两种典型任务——图片识别和语音识别上，NACA表现出更高的分类精度以及更低的计算成本。此外，该算法还在SNN中使用E-prop 和BRP 全局学习算法，以及ANN 中使用TP 和BP 算法作为对比对象。在五个连续任务中，比如手写数字识别到动态手势识别，NACA 显示出明显地缓解灾难性遗忘问题，同时具有较低能耗。

此外，这一新型类脑芯片设计将有助于促进更多应用于实际场景，如增强现实、自主车辆控制等领域。随着这一领域不断发展，我们期待看到更多关于如何结合自然界智慧来改善我们的机器能力的心智创造力。