在人工智能领域，目前人工神经网络中被广泛使用的反向传播算法（Backpropagation，BP）采用全局优化策略，这种端到端的学习方法性能卓越，但学习过程能量消耗大，且缺乏灵活性。中科院脑智卓越中心徐波、蒲慕明联合研究团队近期借助生物网络中发现的介观尺度自组织反向传播机制（Self-backpropagation，SBP），在更具效率和灵活性的类脑局部学习方法方面取得了重要进展。

相关工作（Self-backpropagation of synaptic modifications elevates the efficiency of spiking and artificial neural networks）于2021年10月20日在线发表于《科学》子刊《Science Advances》上。中国科学院自动化研究所类脑智能研究中心张铁林副研究员为第一作者，徐波研究员为通讯作者，程翔（博士生）、贾顺程（博士生）、蒲慕明研究员和曾毅研究员为共同作者。相关研究工作得到了国家自然科学基金委、先导B等项目的资助。

论文链接：https://www.science.org/doi/10.1126/sciadv.abh0146

图1. SBP在SNN中的应用。

（A）SBP可塑性机制 （B）SBP在SNN中的局部反向传播 （C）SBP和其它可塑性机制在SNN中的组合优化。

内容中包含的图片若涉及版权问题，请及时与我们联系删除