Cyber-Physical研究人员系统集团在南加州大学维特比工程学院与伊利诺伊大学香槟分校已经开发出一种新模型在大脑深处的信息可以从一个网络向另一个流动,随着时间的推移,这些神经元网络自优化集群。他们的工作记录在论文《从定量相位成像数据中解密的脑衍生神经元培养的网络科学特征》中，被认为是第一个在体外神经网络中观察这种自我优化现象的研究，并对现有的模型进行了计数。他们的发现可以为生物激发的人工智能、脑癌的检测和诊断开辟新的研究方向，并可能有助于或启发新的帕金森氏症治疗策略。
研究小组检查了老鼠大脑中神经元网络的结构和进化，以确定连接模式。通讯作者，电子和计算机工程副教授Paul Bogdan通过解释大脑在做决定时是如何运作的，把这项工作放在了背景下。他引用了当人们被感知到数牌时大脑的活动。他说，大脑实际上可能并没有记住所有的卡片选项，而是在“进行一种不确定性模型”。他说，大脑正从所有神经元的连接中获取大量信息。
在这种情况下发生的动态聚类使大脑能够衡量不同程度的不确定性，得到粗略的概率描述，并理解哪种情况不太可能发生。
“我们观察到大脑的网络有一个非凡的能力减少延迟,最大化吞吐量和最大鲁棒性在一段时间内所有这些在一个分布式的方式(没有中央管理器或协调员)。“波格丹说把杰克Munushian早期职业生涯的椅子在明朝谢长廷工程系。“这意味着神经元网络可以相互协商，并以一种快速提高网络性能的方式相互连接，但连接的规则却不为人知。”
令Bogdan惊讶的是，神经科学所采用的经典数学模型中没有一个能够准确地复制这种动态涌现的连接现象。利用多重分形分析和一种新型成像技术定量阶段想象(QPI)由Gabriel Popescu的电气和计算机工程教授伊利诺伊大学香槟分校的研究报告合著者,研究小组能够与高精度模型,分析这一现象。
这项研究的结果可能对早期发现脑瘤有重大的影响。通过对健康大脑和大脑活动的更好的拓扑图进行比较，通过对各种认知任务中神经元之间的动态连通性进行成像，可以更容易地早期发现结构异常，而无需进行更多的侵入性程序。
论文的合著者、Bogdan的网络物理系统小组的博士生Chenzhong Yin说，“癌症在小细胞群中扩散，无法被FMRI或其他扫描技术检测到，直到为时已晚。”
研究人员目前正在寻求完善他们的算法和成像工具，以用于监测活的大脑中这些复杂的神经网络。
这可能还会应用于像帕金森氏症这样的疾病，这种疾病会导致大脑左右半球之间失去神经元连接。
“通过在活体动物的大脑中放置成像设备，我们还可以监测和观察神经网络的增长和萎缩，记忆和认知是如何形成的，药物是否有效，以及最终学习是如何发生的。”然后我们可以开始设计更好的人工神经网络，就像大脑一样，具有自我优化的能力。”
Bogdan说:“这样的精确度可以让我们更清楚地了解生物大脑的内部运作，以及我们如何在人工大脑中复制这些大脑。”
作为人类，我们有能力在不忘记旧任务的情况下学习新任务。然而，人工神经网络却遭受着所谓的“灾难性遗忘”问题。当我们试着教一个机器人连续完成两项任务，比如爬楼梯和关灯时，我们就看到了这一点。
当机器人转向执行第二项任务(关灯)的最佳状态时，杏耀招代理它可能会覆盖允许它爬楼梯的配置。这是因为深度学习系统依赖大量的训练数据来掌握最简单的任务。
Bogdan认为，如果我们能够复制生物大脑是如何使持续学习或我们的归纳推理认知能力成为可能的，我们就能够在不增加网络容量的情况下教会人工智能完成多项任务。
