基于单神经元投射组连接模体的整合可提升人工神经网络在皮层特异性任务中的性能

自然神经网络的组织原则可能为人工神经网络（ANN）的新型架构设计提供启发。对小鼠脑单神经元连接组的分析揭示了在不同皮层区域和海马结构中，三节点连接模体呈现出不同的特征谱。研究者开发了一种连接组启发的神经网络算法（“CINA”），用于将天然连接模体整合到以循环神经网络（RNN）和基于Transformer的大语言模型（LLM）为代表的ANN算法中。我们发现，与具有随机连接的RNN相比，整合皮层模体平均特征谱可提升RNN在抗噪声分类和运动学习基准任务中的表现。值得注意的是，进一步引入皮层特异性的模体可在与该皮层功能相关的任务中进一步提升RNN性能，而通过人为增强模体特征谱中的偏倚，这种效应还会被放大。在使用Motif-Transformer执行自然语言问答和脑信号解码任务的LLM中，也验证了类似的实验结果。图论分析表明，整合天然模体促进了ANN中模块化和小世界特性的形成。综上，我们不仅展示了连接组启发下ANN架构的优化，还揭示了不同皮层中特定模体特征谱的功能意义。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全解决方案。可能触发此拦截的操作有多种，包括提交某个特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.12.732007v1?rss=1

🏷️ 连接组 单神经元投射 皮层特异性 循环神经网络 Transformer 图论分析