第305章 「脉衝」的诞生（1/2）

“神威之心-超导版”的控制中心里，气氛紧张而又充满了期待。

在过去的数周时间里，这台庞大的计算机器几乎將一半的核心算力，都投入到了对那500tb小白鼠神经元原始数据的分析之中。

徐涛、高翔、索菲亚，以及丰院士团队的李哲等人，几乎是全天候地驻扎在这里。他们的目標只有一个：从那片看似混沌的信號海洋中，为神经“噪声”建立一个精確的数学模型。

今天，就是检验他们成果的时刻。

“所有数据分析完毕。”索菲亚的声音在安静的控制中心里响起，她的指尖在键盘上轻快地敲击著，调出最终的分析报告，“高博士的预测是完全正確的。神经元膜电位的自发波动，其功率谱密度，在双对数坐標系下，呈现出非常清晰的线性关係，冪指数α的值，在0.8到1.2之间浮动。”

“此外，我们计算了信號的赫斯特指数（hurst exponent），得到的值大约在0.75左右，显著大於0.5。”高翔在一旁补充道，“这明確地证明了，这个隨机过程具有长程正相关性，也就是我们之前討论的『记忆性』。它不是白噪声。”

这些冰冷的数据和术语，对於在场的生物学家和计算机科学家来说，却像是最动听的音乐。它们无可辩驳地证明了，神经元的“噪声”，並非完全的混沌，而是遵循著一种深刻的、具有分形特徵的数学规律。

“所以，我们的第一步，从『画像』到『模型』，已经完成了。”徐涛的目光扫过在场的每一个人，脸上带著自信的笑容，“我们已经成功地为小白鼠神经元的『噪声』数据，建立了精確的数学模型——一个基於『分数布朗运动』的隨机过程。”

他转向索菲亚：“接下来，就是第二步。把这个『数学幽灵』，真正地注入到我们的人工神经元之中。”

这项工作，由徐涛和索菲亚联手负责。

他们没有选择传统的、静態的深度神经网络（dnn）作为基础，而是选择了一个更接近生物神经元工作方式的模型——脉衝神经网络（snn）。

与传统神经网络传递连续的激活值不同，脉衝神经网络中的神经元，通过发送离散的、时间序列上的“脉衝”来进行信息传递，这与生物神经元的“全或无”放电特性更为相似。

接下来的几天，徐涛和索菲亚几乎是將自己关在了代码的世界里。他们將那个复杂的、基於分数布朗运动的隨机过程模型，进行编码和优化，最终將其作为一个內置的“混沌干扰源”，巧妙地整合进了经典的“leaky integrate-and-fire（lif）”脉衝神经元模型之中。

这个干扰源，就像一个微小的、永不停歇的“背景噪音”產生器，持续地对人工神经元的膜电位进行微扰，模擬真实生物神经元內部和外部的复杂生化环境。

一周后，世界上第一个能够模擬生物神经元“非確定性”响应的简易版模型，在他们的手中诞生了。

徐涛將其命名为——“脉衝神经元-混沌版”（snn-chaos neuron v1.0）。

模型构建完成的当天下午，项目组所有核心成员再次聚集在控制中心，进行第一次正式的功能测试。

“测试目標很简单。”徐涛站在主屏幕前，对眾人说道，“我们要验证，对於完全相同的输入信號，我们的『混沌神经元』，是否能像真实生物神经元一样，產生不同的输出响应。”

他设置了一个简单的测试程序：一个恆定的、强度为10毫安的输入电流，將持续刺激这个单神经元模型100毫秒。这个过程，將重复执行十次。

更新不易，记得分享101看书网

“如果它是一个標准的lif神经元，”索菲亚在一旁解释道，“那么我们將会看到十条完全重合的、具有固定频率的输出脉衝序列。”

徐涛深吸一口气，按下了执行按钮。

所有人的目光，都死死地盯住了屏幕。

屏幕上，十次独立的测试结果，以十种不同的顏色，被同时绘製了出来。

结果出现的瞬间，控制中心里响起了一阵压抑不住的惊呼声。