机器和深度学习算法的起源越来越多地影响到当代生活的几乎所有方面，是连接我们大脑中神经元的突触（权重）强度的学习机制.. 半个多世纪前，研究人员试图模仿这些大脑功能，将神经科学和人工智能联系起来。 然而，从那时起，实验神经科学就没有直接推进机器学习领域，神经科学和机器学习这两门学科自此独立发展。

在今天发表在“科学报告”杂志上的一篇文章中，研究人员报告说，他们重建了实验神经科学和先进的人工智能学习算法之间的桥梁。 在神经元培养上进行新的实验，研究人员能够演示一种新的、加速的大脑启发的学习机制。 例如，当用于手写数字识别的人工任务时，它的成功率大大优于常用的机器学习算法。

研究人员开始证明两个假设：大脑中学习极其缓慢的共同假设可能是错误的，大脑的动态可能包括加速学习机制。 令人惊讶的是，这两个假设都被证明是正确的。

研究报告的主要作者、巴拉伊兰大学物理系的Ido Kanter教授和Gonda(Goldschmied)多学科大脑研究中心说：“我们大脑中的一个学习步骤通常会持续几十分钟甚至更长，而在计算机中，它会持续一纳秒或一百万倍。 坎特补充说：“尽管大脑速度极慢，但其计算能力优于或可与典型的最先进的人工智能算法相媲美。”

该小组的实验表明，随着训练频率的增加，大脑的适应能力明显加快。 这项工作的主要贡献者Shira Sardi说：“每秒钟观察10次同一图像就像每月观察1000次一样有效。

“重复相同的图像可以迅速地使我们的大脑适应数秒，而不是几十分钟。 研究的另一位贡献者罗尼·瓦迪博士补充说：“我们大脑中的学习速度可能更快，但超出了我们目前的实验限制。” 使用这种新发现的大脑启发的加速学习机制大大优于常用的机器学习算法，如手写数字识别，特别是在提供小数据集进行培训的情况下。

实验神经科学与机器学习的这种重新连接有望在有限的训练例子下推进人工智能，特别是超快决策，类似于人类决策的许多情况，以及机器人控制和网络优化..

进一步探索