新一代机器学习

突破现有深度学习的数据瓶颈、功耗瓶颈、可解释性瓶颈等局限性,引领后深度学习的人工智能“操作系统”。具体研究内容包括:

1)针对神经网络架构的局限,以脑启发计算为出发,构建类脑计算机理和体系,发展双向对偶深度学习;

2)探索先验信息和领域知识友好的机器学习范式,降低对样本质量和数量的要求,提升模型结构的可解释性和模型行为的可预测性,降低模型调试的困难;

3)发展不完全信息下、多回合反馈下的多智能体机器学习方法,为新药、新材料等基础研究提供新的研究范式;

4)在上述研究基础上,实现高扩展性、易配置性、可解释性的新一代机器学习开源软件。

神经元和通路计算建模

  • 基于实验的神经元树突信息整合建模:提出了算法研究框架,修正了现有神经元模型,使得基于真实神经元结构的大尺度网络计算成为可能

新一代机器学习

  • 基于实验的早期视觉通路的计算建模:视网膜->丘脑->初级视皮层,设计了快速算法,单机能够实时计算百万神经元网络

新一代机器学习

灵长类、啮齿类初级视皮层的大尺度网络计算模型

异步序列深度学习

  • 将机器学习从离散时间域扩展到连续时间域,提高时效性和机敏性
  • 灰箱化模型:兼具黑箱强拟合能力和白箱可解释性的互补优势

新一代机器学习

  • 基于异步学习的预测和决策,显著提高宏观经济等预测的准确性,且具有可解释性新一代机器学习