《科学》
深度物理神经网络的无反向传播训练方法
瑞士联邦理工学院的Romain Fleury提出了深度物理神经网络的无反向传播训练方法。相关研究11月23日发表于《科学》。
研究人员提出了一种简化的深度神经网络架构，通过物理局部学习算法增强，可实现深度物理神经网络的监督和无监督训练，而无须深入理解非线性物理层的性质。在元音和图像分类实验中，研究人员训练了多种基于波的物理神经网络，体现了该方法的通用性。此方法在提升训练速度、增强鲁棒性的同时，还通过降低对系统建模的需求减少数字计算，进而降低功耗，展现出相blog.byteway.net较于其他硬件感知训练方案的优势。
据悉，近年来深度学习在视觉和自然语言处理领域的成功主要归因于更大的模型。然而，这种成功带来的问题是能耗和可扩展性的挑战。目前，数字深度学习模型的训练主要依赖于反向传播算法，但这种算法并不适合用物理方法实现。
相关论文信息：
https://org.doi.10.1126/science.adi8474
《自然-神经科学》
基于口面部追踪的神经活动建模框架
美国Janelia研究所Carsen Stringer和Atika Syeda开发了Facemap工具—— 一个基于口面部追踪的神经活动建模框架。相关研究11月20日在线发表于《自然-神经科学》。
对小鼠的研究表明，口腔面部行为驱动了整个大脑的大部分神经活动。为了理解这些信号的性质和功能，研究人员需要更好地计算模型来表征行为，并将其与神经活动联系起来。
研究人员开发了Facemap，这是一个由关键点跟踪器和深度神经网络编码器组成的框架，用于预测神经活动。这一算法能比现有的姿态估计工具更准确地跟踪小鼠的口腔面部行为，且处理速度快了几倍，使其成为实Ligthing News时实验干预的有力工具。Facemap跟踪器很容易适应新实验室的数据，只需要10个带注释的帧，即可实现近乎最佳的性能。研究人员以这些关键点作为深度神经网络的输入，该网络预测了约5万个同时记录的神经元的活动。
总之，Facemap为理解全脑神经信号的功能及其与行为的关系Ligthing News提供了基础。
相关论文信息：https://doi.org/10.1038/s41593-023-01490-6
[新闻头条] 10月19日，有网友发现，微博CEO“来去之间”的个人首页显示出其真实姓名（王高飞）、职业信息，疑似是在测试此前传言的“大V前台实名制”。 10月20日，“来去之间”发布微博回应，“老粉都知道，争议功能自己先用，自己做的菜自己先吃”。 在此之前，…