大腦是人體最復雜的器官, 也是高超、精巧和完善的信息處理系統。雖然現代人工智能模型在識別圖像、語音、文字等方面已經有優異的表現，但相較于能處理復雜多變環境信息的大腦，人工智能模型仍“遜色”不少。
人腦的信息處理機制能為人工智能“進化”開辟新思路嗎？近日，中科院自動化研究所研究員曾毅團隊提出了受量子疊加啟發的脈沖神經網絡（QS-SNN），相比傳統的人工神經網絡，它在背景反轉圖像識別、帶有噪聲的圖像識別方面都表現出了更好的泛化能力。相關研究成果發表于《交叉科學》。
靈感源于量子大腦假說
大腦的高效性受很多重要因素影響，包括大腦神經元的種類、數量以及連接的復雜性。此外，神經元發放的脈沖序列所具有的時間維度信息、大腦中可能存在的量子信息處理機制都可能是大腦產生高級功能的關鍵。
量子生物學研究發現一些生物反應過程中可以觀測到量子效應，但大腦是否是一個量子信息處理系統仍存爭議。曾毅表示，開展這項研究并不是為了給量子大腦假說提供直接的有說服力的證據，而是探索受量子信息理論和大腦脈沖信號編碼啟發的新型人工智能模型。
他認為，與傳統的人工神經網絡不同，大腦的復雜認知功能，一方面源于其神經元和網絡連接的復雜結構，另一方面源于其強大的信息編碼能力。雖然以往的研究已經證明量子計算的引入加速人工智能模型的信息處理，但他們仍希望另辟蹊徑，通過量子理論的引入使神經網絡獲得前所未有的能力。
“量子信息和神經元脈沖之間具有機制上的相似性。量子態以希爾伯特空間的復向量表示，對應的神經元脈沖也具有頻率和相位時空維度信息，而傳統的人工神經網絡只在實數空間表示信息，信息維度的拓展意味著表示能力加強。”曾毅解釋道。
基于此，研究人員提出了受量子信息啟發的神經元脈沖頻率—相位信息編碼模式，該模式結合脈沖神經網絡，能夠很好地處理背景反轉的圖片以及加入背景噪聲的圖片，獲得超過傳統卷積神經網絡的性能。
更接近于人的能力
對于背景反轉等圖像屬性的巨大變化，傳統的全連接人工神經網絡（ANN）和卷積神經網絡模型是難以處理的，而QS-SNN模型在識別背景反轉圖像時，能夠保持識別性能基本不變，這與人類的認知行為更接近。
不僅如此，與其他神經網絡模型相比，QS-SNN在抗干擾能力方面也更接近人類的視覺能力。隨著更多反轉像素噪聲添加到圖像中，它們變得越來越難以識別，而當更多的噪聲添加到像素中，圖像特征再次變得清晰，QS-SNN迅速恢復了對圖像的識別能力，而其他的人工神經網絡模型卻沒有。
實際上，傳統的量子機器學習研究中，會將圖像處理方法與量子信息理論相結合，將圖像轉換為量子狀態，從而使用量子計算加速圖像處理算法。但曾毅認為，這樣的融合并沒有賦予人工智能模型新的認知能力。
該論文第一作者、中科院自動化研究所博士生孫胤乾表示，該研究提出了一種互補疊加信息編碼方法，并在量子圖像形成和時空脈沖序列之間建立了聯系。與柔性量子圖像表征算法不同的是，這種編碼方法在借鑒傳統量子圖像編碼的基礎上使用了糾纏態量子比特編碼原始圖片信息和背景反轉圖片信息，而柔性量子圖像表征算法只是編碼像素信息。
實際上，早在2017年，曾毅團隊就開始類腦量子智能的研究，他們相信，將量子理論融入類腦智能的研究會給傳統的人工智能模型帶來新的能力。“雖然這只是初步嘗試后取得的點滴成果，但讓我們在開展后續研究時信心倍增。”（見習記者 田瑞穎）
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。
