图 神经网络存储容量和噪声鲁棒性分析结果
在国家自然科学基金项目（批准号：92370103）等资助下，天津大学人工智能学院于强教授联合海外合作者揭示了神经网络底层突触计算单元的时空信息处理机制，研究成果以“Interactions between long- and short-term synaptic plasticity transform temporal neural representations into spatial”为题，于2025年11月21日在线发表在国际学术期刊《美国科学院院刊》（Proceedings of the National Academy of Sciences，PNAS）上，论文链接：https://www.pnas.org/doi/10.1073/pnas.2426290122。
大脑中神经元以脉冲的形式通过突触进行信息传递和处理。对突触和神经元的计算模拟是人工智能理论与技术发展的重要源泉。生物突触同时表现出长时和短时可塑性：长时突触可塑性被认为是学习和记忆的关键，也是主流研究关注点；短时突触可塑性在大脑中广泛存在，对其在信息处理影响方面的研究也由来已久。然而，长时和短时突触可塑性的交互如何影响神经网络的学习和信息处理能力，一直是一个未解之谜，有待深入探究。
针对这一难题，研究团队构建了突触计算与学习理论模型，揭示了长时可塑性作用于短时可塑性可使突触处理时序信息时近似等效于空间分布的表达（类似“以时间换空间”）；该机制赋予神经网络更强的记忆容量、鲁棒性，以及针对时间和空间维度上复杂关联信息的辨识能力；该模型在小鼠和人类大脑皮层突触电生理观测上展现出了良好的拟合能力。此项研究有望对理解大脑底层信息处理机制以及开发可解释、可通用的下一代人工智能方法提供支撑。