神經元和深度學習網路的關係

深度學習、人工智慧網路近年襲捲了各個學術領域，然而實際上的神經元網路複雜度更是遠高於人工智慧網路，來自以色列希伯來大學的Michael London所領導的團隊，用人工智慧網路去模擬單顆錐狀神經元的活性，如圖一。他們發現神經元活性的複雜度主要來自於NMDA受器以及其神經元的形狀(morphology)，僅僅一顆神經元，就需要5-8層、寬度約為100個節點、1秒左右的歷史輸入紀錄(當下活性前1秒的所有神經元輸入的訊號)，才能夠準確的預測細胞膜電位(membrane potential)變化以及神經元脈衝(spike)。結果發表在期刊Neuron。

首先他們建了一顆點狀神經元(point neuron，沒有體積、形狀的簡化神經元)，給共100個興奮性和抑制性的輸入，只要一層的神經網路，即可非常漂亮的預測出細胞膜電位的軌跡。

接著，他們詳細的模擬3D的錐狀神經元，包含12種離子通道以及3種輸入突觸(AMPA、NMDA、GABAA)，如圖一，他們發現需要大約7層以能夠最準確的預測細胞膜電位的變化，若移除NMDA的突觸，則僅需要一層隱藏層的神經網路即可準確預測，且Apical樹突不再貢獻細胞本體的電位變化。因此得到結論─NMDA受器顯著影響了神經元活性的複雜度。

那麼形狀是否會影響到神經元活性的複雜度呢？若只看簡單的一根branch，則也只需要一層隱藏層的神經網路即可準確預測電位變化。因此作者得出結論，神經元的形狀也顯著影響到計算的複雜度。

筆者認為這篇研究非常有趣，然而仍有許多問題需要解答:

1. NMDA受器所造成的複雜度差異是經由神經網路的隱藏層層數來表示，然而這是真的複雜度差異這麼大，或者代表的是這樣的衡量方法不適當，這點我認為仍有很大的疑問。
2. 這個複雜度和該顆錐狀細胞能進行的運算複雜度也並不能直接等同，研究者若真的要說明這兩個複雜度的關係，還需要有更多的數據證實。
3. 作者認為細胞的形狀影響到複雜度，但這邊並沒有太好的控制變因去探討，譬如把branch的數量砍半、增倍，不同類型的樹突的數量單獨改變等。另外各個受器位置也可能會有分布區域的差異，這些都納入探討會更有說服力。
4. 雖然5-8層的神經網路較準確預測有NMDA的錐狀神經元的電位變化和脈衝，但在補充資料中可看到，即便是1層的仍能有很高的準確度。如此究竟是否能以神經網路進行複雜度的量化，有待商榷。

總結來說，人工神經網路起源於神經科學的研究，然而兩邊的鴻溝卻一直無法解決，這篇研究有趣的將兩者連結，希望相關研究能持續進行下去，不只回答大腦的奧秘，也讓人工神經網路得以突破。

筆者：強敬哲(C.C. Charng)

資料來源：

Beniaguev, D., Segev, I., & London, M. (2021). Single cortical neurons as deep artificial neural networks. Neuron, 109(17), 2727-2739.