نورونهای مصنوعی جدید به طور مستقل یاد میگیرند و بیشتر بر اساس همتایان بیولوژیکی خود مدلسازی شدهاند. تیمی از محققان از مؤسسه دینامیک شبکههای بیولوژیکی پردیس گوتینگن (CIDBN) در دانشگاه گوتینگن و مؤسسه دینامیک و خودسازماندهی ماکس پلانک (MPI-DS) این نورونهای اطلاعاتی-شکلی (infomorphic neurons) را برنامهریزی کرده و شبکههای عصبی مصنوعی از آنها ساختهاند. ویژگی خاص این است که نورونهای مصنوعی منفرد به صورت خودسازمانیافته یاد میگیرند و اطلاعات لازم را از محیط نزدیک خود در شبکه استخراج میکنند. نتایج در نشریه PNAS منتشر شده است.
هم مغز انسان و هم شبکههای عصبی مصنوعی مدرن بسیار قدرتمند هستند. در پایینترین سطح، نورونها به عنوان واحدهای محاسباتی نسبتاً ساده با هم کار میکنند. یک شبکه عصبی مصنوعی معمولاً از چندین لایه تشکیل شده است که از نورونهای منفرد ساخته شدهاند. یک سیگنال ورودی از این لایهها عبور میکند و توسط نورونهای مصنوعی پردازش میشود تا اطلاعات مرتبط استخراج گردد. با این حال، نورونهای مصنوعی متعارف در نحوه یادگیری تفاوت قابل توجهی با مدلهای بیولوژیکی خود دارند. در حالی که بیشتر شبکههای عصبی مصنوعی برای یادگیری به هماهنگی فراگیر خارج از شبکه وابسته هستند، نورونهای بیولوژیکی فقط سیگنالهایی را از نورونهای دیگر در مجاورت نزدیک خود در شبکه دریافت و پردازش میکنند. شبکههای عصبی بیولوژیکی هنوز هم از نظر انعطافپذیری و بهرهوری انرژی بسیار برتر از شبکههای مصنوعی هستند.
نورونهای مصنوعی جدید که به عنوان نورونهای اطلاعاتی-شکلی شناخته میشوند، قادر به یادگیری مستقل و خودسازمانیافته در میان نورونهای همسایه خود هستند. این بدان معناست که کوچکترین واحد در شبکه دیگر نیازی به کنترل از بیرون ندارد، بلکه خودش تصمیم میگیرد کدام ورودی مرتبط است و کدام نیست. در توسعه نورونهای اطلاعاتی-شکلی، تیم از نحوه عملکرد مغز، به ویژه از سلولهای هرمی در قشر مغز الهام گرفته است. این سلولها نیز محرکها را از منابع مختلف در محیط نزدیک خود پردازش میکنند و از آنها برای تطبیق و یادگیری استفاده میکنند. نورونهای مصنوعی جدید اهداف یادگیری بسیار کلی و قابل فهمی را دنبال میکنند: مارسل گریتز از CIDBN تأکید میکند: «ما اکنون مستقیماً میفهمیم که در داخل شبکه چه اتفاقی میافتد و چگونه نورونهای مصنوعی منفرد به طور مستقل یاد میگیرند.»
با تعریف اهداف یادگیری، محققان نورونها را قادر ساختند تا قوانین یادگیری خاص خود را پیدا کنند. تیم بر روی فرآیند یادگیری هر نورون منفرد تمرکز کرد. آنها از یک معیار نظری-اطلاعاتی جدید استفاده کردند تا دقیقاً تنظیم کنند که آیا یک نورون باید به دنبال افزونگی بیشتر با همسایگان خود باشد، به صورت همافزا همکاری کند، یا سعی کند در بخش خود از اطلاعات شبکه تخصص یابد. والنتین نوهاوس از MPI-DS توضیح میدهد: «با تخصص یافتن در جنبههای خاصی از ورودی و هماهنگی با همسایگانشان، نورونهای اطلاعاتی-شکلی ما یاد میگیرند که چگونه به وظیفه کلی شبکه کمک کنند». با نورونهای اطلاعاتی-شکلی، این تیم نه تنها در حال توسعه یک روش جدید برای یادگیری ماشین است، بلکه به درک بهتر یادگیری در مغز نیز کمک میکند.