脑科学对人工智能的影响和挑战

工程6（2020）248研究人工智能综述从脑科学到人工智能范景涛a，陆芳b，吴嘉民a，郭宇晨a，戴琼海a，刘晓波a清华大学自动化系，北京100084b清华大学清华伯克利深圳研究院，深圳518055阿提奇莱因福奥文章历史记录：收到2019年2019年10月22日修订2019年11月4日接受2020年1月14日在线提供保留字：人工智能脑科学A B S T R A C T回顾人工智能（AI）的发展历史，可以清楚地发现，脑科学已经在AI领域取得了突破，例如深度学习。目前，尽管人工智能及其应用的发展迫切需要在脑科学和AI研究之间建立一座桥梁，包括一个从脑科学到人工智能的链接，一个从了解大脑到模拟大脑的链接实现这一目标的第基于这些步骤，可以研究新一代AI理论和方法，建立从机器感知和学习到机器思考和决策的颠覆性模型和工作模式。本文讨论了使脑科学适应人工智能的机遇和挑战。©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍人工智能（AI）的发展历史清楚地揭示了脑科学与AI之间的联系许多人工智能的先驱科学家也是脑科学家。使用显微镜发现的人脑中的神经连接启发了人工神经网络[1]。使用电子探测器发现的大脑使用正电子发射断层扫描（PET）成像系统发现的注意力机制启发了注意力模块[4]。从功能性磁共振成像（fMRI）结果中发现的工作记 忆 启 发 了 机 器 学 习模 型 中 的 记 忆 模 块 ， 导 致 了 长 短 期 记 忆（LSTM）的发展[5]。使用双光子成像系统发现的学习过程中发生的脊柱变化启发了持续学习的弹性重量巩固（EWC）模型[6]。虽然人工智能社区和脑科学社区目前似乎没有联系，但脑科学的结果揭示了与智能原则相关的重要问题，这导致了重大的理论和技术问题。*通讯作者。电子邮件地址：qhdai@mail.tsinghua.edu.cn（Q. Dai）。AI的突破我们现在正处于深度学习时代，它直接受到脑科学的启发。可以看出，脑科学研究成果的不断增加可以激发新的深度学习模式。此外，人工智能的下一个突破很可能来自脑科学。2. 受脑科学启发的人工智能人工智能的目标是研究理论并开发能够执行需要生物或人类智能的任务的计算机系统，其功能包括感知器，识别，决策和控制[7]。相反，脑科学（也称为神经科学）的目标是研究生物大脑的结构、功能和运行机制，例如大脑如何处理信息、做出决策以及与环境相互作用[8]。很容易看出，AI可以被视为大脑智能的模拟因此，开发人工智能的一个直接方法是将其与脑科学和相关领域结合起来，如认知科学和心理学。事实上，许多人工智能的先驱，如Alan Turing[9]，Marvin Minsky和Seymour Papert[10]，John McCarthy[11]和Geoffrey Hinton[12]，都对这两个领域感兴趣，并由于他们在脑科学方面的坚实背景而为人工智能做出了巨大贡献对人工智能的研究始于现代计算机出现之后，其目标是建立智能https://doi.org/10.1016/j.eng.2019.11.0122095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/engJ. Fan等人/工程6（2020）248249机械.自人工智能诞生以来，它与脑科学之间一直存在着相互作用。20世纪初，由于显微镜的发展，研究人员能够观察到神经系统（包括大脑）中神经元之间的连接。受神经元之间联系的启发，计算机科学家开发了人工神经网络，这是人类历史上最早和最成功的模型之一。艾. 1949年，Hebbian学习被提出[1]。这是最古老的学习算法。赫布学习的灵感直接来自于生物神经系统的动力学。具体地，基于当两个神经元之间的突触（输入和输出）的任一侧上的神经元具有高度相关的输出时该突触被加强的观察，如果两个神经元高度相关，则Hebbian学习算法增加两个神经元之间的连接权重。在这一发展之后，人工神经网络受到了研究人员的相当大的研究关注。一个代表性的工作是感知器[13]，它直接模拟了大脑中的信息存储和组织。感知器是一个具有多维输入的单层人工神经网络，它为多层网络奠定了基础。1959年，1981年诺贝尔生理学或医学奖的获得者Hubel和Wibel[14]利用电子信号探测器来捕捉神经元在视觉系统看到不同图像时的反应。来自哺乳动物视觉皮层的单细胞记录揭示了视觉输入如何在V1区的简单和复杂细胞中过滤和汇集。这项研究表明，大脑中的视觉处理系统进行卷积运算，并具有多层结构。这表明生物系统利用连续的非线性计算层将原始视觉输入转换为越来越复杂的特征集，从而使视觉系统在识别任务期间对视觉输入中的变换（如姿势和尺度）保持不变。这些观察直接启发了卷积神经网络[2，3]，这是最近突破性的深度学习技术的基本模型[15]。人工神经网络和深度学习的另一个关键组成部分是反向传播算法[16]，它解决了如何调整网络中的参数或权重的问题。有趣的是，反向传播的基本思想是在20世纪80年代由神经科学家和认知科学家首次提出的[17]，而不是由计算机科学家或机器学习研究人员提出的。科学家们观察到，神经系统的微观结构和生物大脑的神经系统是通过学习过程逐渐调整的，目的是最小化错误并最大化输出的回报。注意力机制最早是在19世纪90年代作为一个心理学概念被引入的，它的设计使得智能代理选择性地集中在信息的某些重要部分，而不是集中在所有信息上，以改善认知过程[4]。在20世纪90年代，研究开始使用新的医学成像技术，如PET，来研究大脑中的注意力机制。1999年，PET被用于研究大脑中的选择性注意力[18]。然后，使用其他成像技术，研究人员发现了更多关于生物大脑中的注意力机制[19]。受生物大脑中注意力机制的启发，人工智能研究人员开始将注意力模块以时间[20]或空间[21]的方式纳入人工神经网络，这分别提高了自然语言处理和计算机视觉的深度神经网络的性能。通过注意力模块，网络能够选择性地关注重要的对象或单词，而忽略不相关的对象或单词，从而使训练和推理过程比传统的深度网络更有效。机器学习模型通常会忘记它处理过的数据中的信息，而生物智能能够在一段时间内保持这些信息。据信，在生物大脑中存在着记住过去数据的工作记忆。工作记忆的概念最早是在20世纪70年代提出的，并从认知实验中总结出来[22，23]。自1990年以来，研究人员使用PET和fMRI研究生物大脑中的工作记忆，并发现大脑中的前额叶皮层是一个关键部分[24受脑科学工作记忆研究的启发，人工智能研究人员试图将记忆模块纳入机器学习模型。其中一个代表性的方法是LSTM[5]，它为许多顺序处理任务奠定了基础，例如自然语言处理，视频理解和时间序列分析。最近的一项研究还表明，使用工作记忆模块，模型可以执行复杂的推理和推理任务，例如找到特定点之间的最短路径，并推断随机生成的图形中的缺失链接[27]。通过记住以前的知识，也可以执行一次性学习，这只需要几个标记的样本来学习新概念[28]。持续学习是生物智能的一项基本技能，用于学习新任务而不忘记以前的任务。生物神经系统如何在不同时间学习多个任务是一个具有挑战性的研究课题。1990年，双光子显微镜技术[29]使得在单个突触的空间尺度上观察学习过程中树突棘的体内结构和功能成为可能[30]。利用这种成像系统，2010年代的研究人员研究了持续学习过程中大脑的新皮层可塑性结果揭示了神经系统如何通过控制神经元的生长来学习新任务时记住以前的任务[31]。受生物神经系统观察的启发，提出了一种称为EWC的深度神经网络学习算法该算法在学习新任务时控制网络参数的变化，从而保留旧的知识，从而使深度学习中的持续学习成为可能[6]。强化学习（RL）是一种广泛使用的机器学习框架，已被用于许多应用程序，如AlphaGo。它涉及AI代理如何采取行动并与环境交互事实上，RL也与生物学习过程密切相关[32]。一种重要的强化学习方法（也是TDL通过自举从值函数的当前估计进行学习。这种策略类似于在动物系统中观察到的二阶条件反射的概念[33]。3. 大脑项目如表1所示，许多国家和地区都开展了加速脑科学研究的项目[34尽管重点和路线不同，但基于脑科学发现的下一代人工智能的发展是所有脑研究项目的共同目标各国政府和大多数科学家似乎已经达成共识，先进的神经成像和操纵技术可以帮助我们探索大脑的工作原理，这将使我们能够设计出更好的AI架构，包括硬件和软件。在这些研究过程中，包括生物学、物理学、信息学和化学在内的多学科之间的相互合作是必要的，以实现不同方面的新发现。在过去的五年中，在脑科学研究项目的支持下，脑科学研究取得了重要成果。光遗传学的发展使人们有可能250J. Fan等人/工程6（2020）248表1世界各地脑科学研究项目概览项目时间轴主要目标（10亿美元）美国国家研究院2013–2025发现多样性：识别不同的脑细胞类型，并确定它们在健康和疾病中的作用健康大脑主动性[34]● 多尺度地图：生成从突触到整个大脑的不同分辨率的电路图● 大脑活动：通过对神经活动的大规模监测，生成大脑功能的动态图像● 证明因果关系：通过改变神经回路动力学的精确干预工具将大脑活动与行为● 确定基本原则：通过开发新的理论和分析工具，● 推进人类神经科学：开发创新技术，以了解人类大脑和治疗其疾病，并建立和支持人类大脑研究网络● 从大脑倡议到大脑：应用新的技术/概念方法来发现神经活动模式如何转化为认知，情感，感知和行动韩国2018-韩国脑倡议[35]决策背后的因素● 映射具有可搜索、多维和信息集成功能的功能性连接体● 开发新的技术和神经工具，用于整合大脑映射● 实现社会经济影响，不仅促进神经科学界的全球合作，还开发各种脑科学相关的工业和医疗创新欧洲2013人类大脑计划[36]● 收集和传播描述大脑和相关疾病的● 模拟大脑● 建立大脑● 开发大脑启发式计算、数据分析和机器人日本2014[37]第三十七话和遗传研究● 开发创新的工具来监测和操纵神经活动● 建立脑部疾病的生物标志物加拿大2006加拿大脑组织[38]● 加大资助规模和范围，加快加拿大大脑研究● 在公共、私人和志愿部门● 提供变革性、原创性和杰出的研究计划澳大利亚2016-澳大利亚脑倡议[39]医学疾病● 教育：通过编码神经回路和大脑网络的认知功能来帮助改善大脑发育● 新产业：通过促进产业合作者与大脑研究以单细胞分辨率操纵神经活动[40]。使用先进的光束调制技术可以进一步实现大规模操纵[41，42]。与此同时，已经提出了各种方法来记录三维（3D）中的大规模神经活动[43可同时记录的中子数量已从数十个迅速增加到数千个，并且随着宽视场高分辨率成像技术的不断发展，在不久的将来可能增加到数百万个[46神经光子学领域的这些重大改进为神经科学的重要发现提供了基础[49，50]。例如，BRAIN计划的重点将逐渐转向发现驱动的科学。BRAIN Initiative旨在通过神经科学革新机器学习，其中一个典型案例是来自皮层网络的机器使用连续切片电子显微镜，可以以前所未有的分辨率在3D中重建复杂的神经结构[51]。结合多尺度数据的高通量数据分析技术[52，53]，可以开发新的科学问题来探索基本的神经科学问题[54]。有了这种更好的理解，研究人员提出了深度神经网络的新架构，并试图了解其工作原理。当前架构的原则[55，56]。此外，目前的深度学习技术可以帮助加速此类研究所需的大量数据处理，从而形成良性循环。由于近年来的技术发展，现在可以以前所未有的时空分辨率系统地观察神经活动。与此同时，许多大规模数据分析技术已经被提出来解决这些技术产生的大量数据所带来的挑战。沿着这条路线，各种大脑项目可以指数级地加速大脑研究。通过获得越来越多的发现，我们可以更好地了解人脑。毫无疑问，大脑的工作原理将激发下一代人工智能的设计，就像过去大脑研究的发现激发了今天4. 脑科学与人工智能之间的仪器桥梁对大脑的仪器观察为大脑的出现和发展做出了巨大贡献。艾.现代神经生物学从亚细胞到组织水平的微观结构信息获取开始，J. Fan等人/工程6（2020）248251得益于显微镜的发明以及细胞和组织中物质的偏向染色。著名的神经解剖学家Santiago Ramón y Cajal最先用高尔基染色法观察了大量的神经系统组织标本，提出了神经元和神经信号转导的基本理论。卡哈尔和高尔基在1906年分享了诺贝尔生理学或医学奖。卡哈尔现在被公认为现代神经生物学之父。我们对人类大脑不断增长的理解得益于神经技术的无数进步，包括神经元、神经系统和大脑的操纵、处理和信息获取;以及认知和行为学习。在这些进步中，用于高质量成像采集的新技术和仪器的开发一直是过去时代的焦点，预计在未来将吸引最多的例如，2013年在美国启动的BRAIN计划旨在绘制动态大脑图像，展示脑细胞及其周围神经回路之间快速而复杂的相互作用，并揭示神经组织和大脑功能之间的多维交织关系这些进步也有望使我们能够理解大脑中记录、处理、应用、存储和检索大量信息2017年，BRAIN Initiative赞助了哈佛大学的多位跨学科科学家，他们承诺研究对神经回路与行为之间关系的理解，主要是通过使用高质量成像在各种条件下获取和处理神经系统的大型数据集。传统的神经科学研究多采用电生理学方法，如利用金属电极进行神经兴奋和信号采集，具有灵敏度高、时间分辨率高等优点。然而，电生理学是侵入性的，不适合长期观察。此外，它具有较低的空间分辨率和有限的扩展能力的并行观察，需要提取的全球神经活动在一个单一的神经元分辨率的大脑。相比之下，光学方法是非侵入性的，并且具有高空间和时间分辨率以及高灵敏度。这些方法能够从单个神经元、神经活动和相互作用中获取动态和静态信息，并将我们对神经系统的分析从亚细胞水平扩展到潜在的整个大脑。此外，光学方法已被开发为操纵工具，通过使用光遗传学以高时空分辨率控制神经活动发展大视场、高时空分辨率的遥感技术和仪器已迫在眉睫。在空间尺度上，成像必须跨越从几十微米大小的亚微米突触和神经元到几毫米宽的大脑。在时间尺度上，帧采集的速率应该高于所使用的探测荧光蛋白的响应速率。然而，由于光学成像固有的衍射极限，在大视场、高分辨率和大景深之间存在固有的矛盾。单个神经元甚至更小特征的高分辨率成像通常无法看到大于几毫米的脑组织特征，而动态成像往往伴随着更高的噪声。然而，由于散射光的组织颗粒，用于实时和长期采集的实时和非侵入性成像仅限于浅层。如何突破克服上述瓶颈，实现大视场、高时空分辨率、大景深将是未来十年显微成像结论是，从微观结构维度探索可能导致一种新型的神经计算单元，而从宏观结构维度实时探索可能能够理解跨脑操作，并揭示大脑使用多种信息源（听觉，视觉，嗅觉，触觉等）的综合决策机制。在复杂的环境中。整个大脑实时探索微观和宏观维度的二元能力无疑将促进下一代人工智能的发展因此，显微成像仪器的发展目标是从像素到体素，从静态到动态，具有更宽、更高、更快、更深的成像。该仪器可以在生物宏观认知决策与神经网络结构和功能之间建立直接联系，为揭示认知和智能的计算本质奠定基础，并最终促进人类自我识别，从而填补人工智能与人类智能之间的研究空白。确认资助项目的咨询中国工程院（2019-XZ-9）、国家自然科学基金（61327902）、北京市科学技术委员会（Z181100003118014）研究项目。遵守道德操守准则Jingtao Fan、Lu Fang、Jiamin Wu、Yuchen Guo和QionghaiDai声明他们没有利益冲突或财务冲突需要披露。引用[1] Hebb DO.行为的组织。Hoboken：John Wiley& Sons.[2] LeCun Y，Boser B，Denker JS，Henderson D，Howard RE，Hubbard W，等.反向传播应用于手写邮政编码识别。神经计算1989;1（4）：541-51.[3] 放大图片作者：Krizhevsky A，Sutskever I，Hinton G.使用深度卷积神经网络进行ImageNet 分 类 。 In ： Pereira F ， Burges CJC ， BottouL ， Weinberger KQ ，editors. Proceedings of the Neural Information ProcessingSystems 2012; 2012Dec 3 -6; Lake Tahoe ，NV ，USA; 201 2 . p. 1097- 105[4] James W，Burkhardt F，Bowers F，Skruptplis IK.心理学原理。纽约：亨利·霍尔特;1890。[5] Hochreiter S，Schmidhuber J.长短期记忆。神经计算1997;9（8）：1735-80.[6] [10] Kirkpatrick J，Pascanu R，Rabinowitz N，Veness J，Desjardins G，RusuAA，et al. 克服神经网络中的灾难性遗忘Proc Natl Acad Sci USA2017;114（13）：3521-6.[7] Russell SJ，Norvig P. Artificial Intelligence：A Modern Approach.第3版。纽约：皮尔逊教育; 2010年。[8] 佐治亚州米勒认知革命：一个历史的视角。Trends Cogn Sci2003;7（3）：141-4.[9] 图灵 计算机和智能。 Mind1950;236：433-60.[10] Minsky M，Papert S.感知器：计算几何导论。剑桥：麻省理工学院出版社.[11] 麦卡锡J.捍卫AI研究：一收集的散文和评论。Stanford：CSLIPublications;1996.[12] Hinton GE，Rumelhart DE，McClelland JL.分布式表示。并行分布式处理：认知微观结构的探索：基础。剑桥：麻省理工学院出版社，1986. p. 77比109[13] 罗森布拉特湾感知器：大脑信息存储和组织的概率模型。 Psychol Rev 1958;65（6）：386-408。[14] Hubel DH，Wisconsin TN.猫纹状皮质单个神经元的感受野。J Physiol 1959;148（3）：574-91.[15] 李康Y，本吉奥Y，辛顿G. 深度学习 Nature 2015;521（7553）：436-44.[16] Rumelhart DE，McClelland JL.通过误差传播学习内部表示。 于：平行分布式加工：探索在认知的微观结构：基础。 剑桥：麻省理工学院出版社，1986.p. 318比62[17] Rumelhart DE，McClelland JL.并行分布处理：认知微观结构探索。剑桥：麻省理工学院出版社，1986.[18] Raichle ME.正电子发射断层扫描。In：Wilson RA，Keil LC，editors. 麻 省 理工学院认知科学百科全书。 剑桥：麻省理工学院出版社.p. 656- 8[19] 放大图片作者：Scolari M，Seidl-Rathkopf KN，Kastner S.人类额顶叶注意网络的功能：来自神经影像学的证据。Curr Opin Behav Sci2015;1：32-9.252J. Fan等人/工程6（2020）248[20] 作者：Jiang Jiang，Jiang Jiang.通过联合学习对齐和翻译的神经机器翻译2014.arXiv：1409.0473。[21] 作 者 ： Reed S ， Zhang Y ， Zhang Y ， Lee H. 深 度 视 觉 类 比 In ： Cortes C ，Lawrence ND ， Lee DD ， Sugiyama M ， Garnett R ， editors. Proceedings oftheNeural Information Processing Systems 2015; 2015 Dec 7 -12; Montreal ，QC，Canada; 2015. p. 1252-60。[22] Atkinson RC，Shiffrin RM.人类记忆：一个拟议的系统及其控制过程。在：SpenceKW，Spence JT，编辑.学习与动机心理学（第2卷）。北京：人民出版社，1968.p.89比195[23] 放大图片作者：Hitch G.工作记忆在：鲍尔GH，编辑.学习与动机心理学（第8卷）。北京：高等教育出版社，1974.p. 47比89[24] Goldman-Rakic PS.非人灵长类前额叶皮层工作记忆的细胞和电路基础。 ProgBrain Res 1990;85：325-35.[25] McCarthy G，Puce A，Constable RT，Krystal JH，Gore JC，Goldman-Rakic P.功能磁共振成像测量人类前额叶皮层在空间和非空间工作记忆任务中的激活。 大脑皮层1996;6（4）：600-11.[26] Jonides J，Smith EE，Koeppe RA，Awh E，Minoshima S，Mintun MA. PET显示的人类空间工作记忆Nature1993;363（6430）：623-5.[27] GravesA ， WayneG ， ReynoldsM ， HarleyT ， DanihelkaI ， Grabska-Barwin'skaA，et al. Hybrid computing using a neural network with dynamicexternalmemory. Nature2016;538（7626）：471-6.[28] 刘晓波，李晓波.使用记忆增强神经网络的一次性2016. arXiv：1605.06065。[29] Denk W ， Strickler JH ， Webb WW. 双 光 子 激 光 扫 描 荧 光 显 微 镜 。Science1990;248（4951）：73-6.[30] 作者：J.脊椎结构可塑性的生化计算。 Neuron 2015;87（1）：63-75.[31] Cichon J，Gan WB. 树枝 特异性 树突状 细胞 Ca2+ 锋电 位引起 突触持 续可塑 性。Nature2015;520（7546）：180-5.[32] Sutton R，Barto A.强化学习简介。剑桥：麻省理工学院出版社.[33] Sutton RS，Barto AG.适应网络的现代理论：期望与预测。Psychol Rev1981;88（2）：135-70.[34] Insel TR，Landis SC，Collins FS.美国国立卫生研究院脑倡议。Science 2013;340（6133）：687-8.[35] JeongS，Lee Y，Jun B，Ryu Y，Sohn J，Kim S，et al. 韩国脑倡议：神经伦理学的新兴问题和制度化。神 经 元2019;101（3）：390-3。[36] [10]张文辉，张文辉.人类大脑计划：创建欧洲研究基础设施来解码人类大脑。神经元2016;92（3）：574-81。[37] OkanoH，Sasaki E，Yamamori T，Iriki A，Shimogori T，Yamaguchi Y，et al.Brain/MINDS：日本国家级绒猴神经科学脑项目。神经元2016;92（3）：582-90。[38] 贾巴尔普尔瓦拉岛加拿大大脑组织：一个大脑一个社区。Neuron 2016;92（3）：601-6.[39] 联盟A 澳大利亚脑倡议的神经伦理学框架神经元2019;101（3）：365-9。[40] 戴瑟罗斯湾 光遗传学 Nat Methods2011;8（1）：26-9.[41] PégardNC，Mardinly AR，Oldenburg IA，Sridharan S，Waller L，Adesnik H.三维非扫描时间聚焦全息光遗传学（3D-SHOT）. Nat Commun2017;8（1）：1228.[42] Hochbaum DR，Zhao Y，Farhi SL，Klapoetke N，Werley CA，Kapoor V，et al.使用工程微生物视紫红质的哺乳动物神经元全光电生理学。Nat Methods2014;11（8）：825-33.[43] Ji N，Freeman J，Smith SL.大容量神经活动成像技术。Nat Neurosci2016;19（9）：1154-64。[44] WeisenburgerS，Vaziri A. 神经元活动的大规模和全脑光学成像的新兴技术指南。Annu Rev Neurosci 2018;41（1）：431-52.[45] Ahrens MB，Orger MB，Robson DN，Li JM，Keller PJ.使用光片显微镜在细胞分辨率下进行全脑功能成像。Nat Methods2013;10（5）：413-20.[46] KimTH，Zhang Y，Lecoq J，Jung JC，Li J，Zeng H，et al. 长期光学访问估计有一百万个神经元在活的小鼠皮层。Cell Rep 2016;17（12）：3385-94。[47] McConnellG，Trägårdh J，Amor R，Dempster J，Reid E，Amos WB. 一种新型 的光 学 显 微 镜 ， 用 于 对 大 胚 胎 和 组 织 体 积 进 行 亚 细 胞 分 辨 率 成 像 。Elife2016;5：e18659.[48] Stirman JN，Smith IT，Kudenov MW，Smith SL.哺乳动物大脑神经元活动的宽视野、多区域、双光子成像。NatBiotechnol 2016;34（8）：857-62。[49] 陈JL，Carta S，Soldado-Magraner J，Schneider BL，Helmchen F. 躯体感觉皮层长距离投射神经元的行为依赖性募集。Nature2013;499：336-40.[50] Sofroniew NJ，Flickinger D，King J，Svoboda K.用于活体成像的具有亚细胞分辨率的大视场双光子介观镜。 Elife 2016;5：e14472.[51] JoeschM，Mankus D，Yamagata M，Shahbazi A，Schalek R，Suissa-PelegA，等. 用连续切片电子显微镜重建遗传鉴定的神经元。Elife2016;5：e15015.[52] Friedrich J，Yang W，Soudry D，Mu Y，Ahrens MB，Yuste R，et al. Multi-scaleapproaches for high-speed imaging and analysis of large neural populations.PLoS Comput Biol 2017;13（8）：e1005685。[53] [10] Berens P，Freeman J，Deneux T，Chenkov N，McColgan T，SpeiserA，et al. 基于社区的基准改进了从双光子钙成像数据推断的尖峰率。PLoSComput Biol2018;14（5）：e1006157。[54] Paninski L，Cunningham JP.神经数据科学：加速大规模神经科学的实验-分析-理论循环。Curr Opin Neurobiol2018;50：232-41.[55] 放大图片作者：Hoffer E，Hubara I，Soudry D.训练时间更长，泛化更好：缩小神经网络大批量训练中的泛化差距。In：Guyon I，Luxburg UV，Bengio S，WallachH ， Fergus R ， Vishwanathan S ， et al. ， 编 辑 。 Proceedings of the NeuralInformation Processing Systems 2017; 2017 Dec 4- 9; Long Beach，CA，USA;2017. p. 1731- 1741年[56] Kadmon J，Sompolinsky H. 深度网络可解模型中的最优架构。In ：Lee DD ，Sugiyama M，Luxburg UV，Guyon I，Garnett R，editors. Proceedings of theNeural Information Processing Systems 2016; 2016 Dec 5 - 10; Barcelona ，Spain; 2016. p. 4788-96.