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(yǔ)音、文字等方面已經(jīng)有優(yōu)異的表現，但相較于能處理復雜多變環(huán)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(jìn)化”開(kāi)辟新思路嗎？近日，中科院自動(dòng)化研究所研究員曾毅團隊提出了受量子疊加啟發(fā)的脈沖神經(jīng)網(wǎng)絡(luò )（QS-SNN），相比傳統的人工神經(jīng)網(wǎng)絡(luò )，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(guān)研究成果發(fā)表于《交叉科學(xué)》。

靈感源于量子大腦假說(shuō)

大腦的高效性受很多重要因素影響，包括大腦神經(jīng)元的種類(lèi)、數量以及連接的復雜性。此外，神經(jīng)元發(fā)放的脈沖序列所具有的時(shí)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(chǎn)生高級功能的關(guān)鍵。

量子生物學(xué)研究發(fā)現一些生物反應過(guò)程中可以觀(guān)測到量子效應，但大腦是否是一個(gè)量子信息處理系統仍存爭議。曾毅表示，開(kāi)展這項研究并不是為了給量子大腦假說(shuō)提供直接的有說(shuō)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(fā)的新型人工智能模型。

他認為，與傳統的人工神經(jīng)網(wǎng)絡(luò )不同，大腦的復雜認知功能，一方面源于其神經(jīng)元和網(wǎng)絡(luò )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(jīng)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(guò)量子理論的引入使神經(jīng)網(wǎng)絡(luò )獲得前所未有的能力。

“量子信息和神經(jīng)元脈沖之間具有機制上的相似性。量子態(tài)以希爾伯特空間的復向量表示，對應的神經(jīng)元脈沖也具有頻率和相位時(shí)空維度信息，而傳統的人工神經(jīng)網(wǎng)絡(luò )只在實(shí)數空間表示信息，信息維度的拓展意味著(zhù)表示能力加強?！痹憬忉尩?。

基于此，研究人員提出了受量子信息啟發(fā)的神經(jīng)元脈沖頻率—相位信息編碼模式，該模式結合脈沖神經(jīng)網(wǎng)絡(luò )，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(guò)傳統卷積神經(jīng)網(wǎng)絡(luò )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(jīng)網(wǎng)絡(luò )（ANN）和卷積神經(jīng)網(wǎng)絡(luò )模型是難以處理的，而QS-SNN模型在識別背景反轉圖像時(shí)，能夠保持識別性能基本不變，這與人類(lèi)的認知行為更接近。

不僅如此，與其他神經(jīng)網(wǎng)絡(luò )模型相比，QS-SNN在抗干擾能力方面也更接近人類(lèi)的視覺(jué)能力。隨著(zhù)更多反轉像素噪聲添加到圖像中，它們變得越來(lái)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(jīng)網(wǎng)絡(luò )模型卻沒(méi)有。

實(shí)際上，傳統的量子機器學(xué)習研究中，會(huì )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(tài)，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(méi)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(dòng)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(shí)空脈沖序列之間建立了聯(lián)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(tài)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(shí)際上，早在2017年，曾毅團隊就開(kāi)始類(lèi)腦量子智能的研究，他們相信，將量子理論融入類(lèi)腦智能的研究會(huì )給傳統的人工智能模型帶來(lái)新的能力?！半m然這只是初步嘗試后取得的點(diǎn)滴成果，但讓我們在開(kāi)展后續研究時(shí)信心倍增?！?/p>

來(lái)源：《中國科學(xué)報》