无聊作为一种认知资源利用的稳态机制——基于脉冲神经网络的解释

《Neurocomputing》：Boredom as homeostasis of cognitive resource utilization using spiking neural networks

本研究提出基于脉冲神经网络（SNN）的闭环控制模型，模拟无聊感作为信号调节认知资源分配，通过动态调整神经元群体活动维持最佳参与度。实验验证该模型能有效应对输入变化并稳定认知资源利用，为脑启发AI的情感计算提供新框架。

　　

帕特里克·舍费尔（Patrick Sch?fer）|詹姆斯·丹克特（James Danckert）|彼得·F·施塔德勒（Peter F. Stadler）|马丁·博格丹（Martin Bogdan）

摘要

尽管在人工智能（AI）领域取得了显著进展，但当前的模型很少考虑情感或情绪状态，这限制了它们模仿真正适应性和类人行为的能力。无聊是一种反复出现的情感状态，它表明可用的认知资源与环境需求之间存在不匹配，从而引发一种逃避当前状态的反应，以恢复最佳参与度。从功能心理学的角度来看，当认知参与度超出最佳范围时，无论是由于刺激不足还是过度刺激，都会产生无聊感。在这里，我们将这一原理转化为一个基于脉冲神经网络的生物启发式控制循环。该模型持续监控模拟的认知资源使用情况，检测由于输入干扰而产生的偏差，并动态调整资源的使用，以维持最佳参与度。仿真结果表明，该模型通过激发和抑制代表输入处理的脉冲神经元群体，有效地保持了稳定的认知参与度。这项工作为开发能够自主定义和调节其最佳认知参与度的未来模型奠定了基础。通过将这种情感调节直接嵌入到脉冲架构中，我们的方法架起了认知神经科学和AI之间的桥梁，为如何在受大脑启发的AI中实现类人的状态监控和纠正行为提供了见解。

引言

解码人类智能仍然是工程学和科学领域中最雄心勃勃且持久的目标之一。人类大脑能够在不确定性下进行泛化、抽象和适应性决策，且具有显著的鲁棒性和能效。因此，它被视为开发人工智能（AI）的主要灵感来源。

这一努力的核心范式是开发和改进人工神经网络（ANNs）或机器学习（ML）模型，这些模型旨在捕捉和复制智能行为背后的关键计算原理。然而，人类智能的许多核心方面——特别是与内部调节和情感动态相关的方面——仍然理解不足，在当前的AI方法中基本缺失。情感和情绪状态在人类处理信息、做出决策和调节行为的过程中起着关键作用[1]、[2]、[3]。对这种内部动态的建模可能有助于开发更具适应性和自主性的AI[4]，同时为更精确地理解人类认知提供计算视角[5]。

脉冲神经网络（SNNs）常被视为下一代ANNs，尽管它们自90年代就已存在。它们可以应用于经典的ML任务[6]，同时也为模仿内部调节过程提供了生物启发式的平台。这些网络通过使用时间编码的脉冲列（类似于神经系统中的输入和输出）来模拟信息处理，从而在时间和结构上更贴近生物现实，超越了传统计算机科学和当前ML中的静态数字。它们的架构和动态更接近AI的生物学模型：大脑及其连接的神经网络。单个单元——脉冲神经元[8]通过突触连接进行离散通信。已经开发出了多种神经元和突触模型，平衡了生物准确性和计算效率。因此，SNNs为将认知建模与基于生物的计算相结合开辟了一条有趣的道路。

近几十年来，特别是在心理学和哲学领域，一个日益引起研究兴趣的人类体验是无聊现象。无聊几乎是每个人都会偶尔经历的感觉，似乎是一种普遍现象，不受健康状况或文化背景的影响。鉴于其反复出现的性质，功能主义解释将无聊视为调节人类行为的核心组成部分。然而，只有少数方法通过信息处理的计算模型来捕捉这一现象[9]、[10]、[11]。然而，从作者的角度来看，理解无聊的出现和动态需要基于控制大脑的相同原理的建模方法。SNNs为此提供了合适的平台。

以下工作基于我们之前使用SNNs对无聊进行建模的研究[12]，我们在其中引入了一个控制循环模型，该模型在认知参与度偏离最佳范围时模仿了无聊的调节机制。在当前的工作中，我们通过引入次优认知资源利用的概念作为无聊出现的关键指标来改进这个模型。从这个角度来看，当这些资源被过度使用或使用不足时，无聊就会产生。为此，我们的模型会适应性地调节内部神经活动，以模拟认知资源的分配，并将系统保持在其最佳范围内。

本文的结构如下：第2节介绍了无聊现象的理论背景，并将其置于功能框架中。第3节描述了基于SNNs的控制循环模型及其架构和调节功能。第4节描述了仿真设置及观察到的行为，第5节对此进行了讨论。最后，第6节总结了本文并概述了未来的工作。

章节摘录

无聊作为稳态的信号

无聊是一种不舒服的感觉，表现为想要以有意义、有目的的方式参与世界但未能做到[13]。在自我调节的框架下，无聊状态是一种行动号召，促使人们追求能够有效参与世界的目标[14]。那些更频繁、更强烈地经历这种状态的人被认为容易感到无聊[15]，并且会面临各种心理健康挑战。

从自我调节的角度来看无聊

基于脉冲神经网络的稳态循环

将无聊置于认知资源的稳态调节框架中，可以将其形式化为一个计算模型。目标是捕捉偏差检测和纠正行为的基本动态，在我们的理论框架中，这些行为旨在维持最佳参与度。

在我们的模型中，我们将这种机制转化为一个由多个脉冲神经元群体组成的控制循环，每个群体代表调节的不同功能组件

实验

为了验证所提出的控制循环模型能否产生预期的动态，我们手动微调了从检测单元到TP群体的突触权重，以便在简化的方式下在硅基环境中重现心理模型。实验旨在测试控制架构在输入统计变化的情况下能够将CR群体的活动保持在可接受的操作范围内的假设。

模型行为

该模型成功地在“适居区”内保持了认知资源的最佳利用。当SG1的输入没有干扰时，检测单元的活动没有显著增加，表明没有启动任何行动号召。然而，当引入输入变化时，模型展示了其调节机制。这旨在说明人类在认知资源受到过度或不足刺激时的反应行为。

结论与未来工作

这项工作扩展了我们最初使用SNNs将无聊现象纳入AI的研究[12]。我们将将无聊视为认知资源使用不足的信号的心理视角，转化为基于脉冲神经元群体的控制循环。该模型通过维持最佳认知资源利用水平来模仿稳态控制功能。

为了研究系统的行为，我们引入了脉冲生成器，这使我们能够

CRediT作者贡献声明

詹姆斯·丹克特（James Danckert）：撰写——审阅与编辑、监督、方法论、概念化。彼得·F·施塔德勒（Peter F. Stadler）：撰写——审阅与编辑、监督、方法论、概念化。马丁·博格丹（Martin Bogdan）：撰写——审阅与编辑、监督、资源获取、方法论、资金筹措、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

这项工作部分得到了BMFTR（联邦研究、技术和空间部）在DAAD项目57616814（SECAI，嵌入式复合AI学院，https://secai.org/)中的支持，该项目是Konrad Zuse人工智能卓越学院计划的一部分。此外，它还得到了BMFTR和萨克森州科学、文化和旅游部的支持，属于“可扩展数据分析与人工智能卓越中心”计划的一部分

帕特里克·舍费尔（Patrick Sch?fer）是莱比锡大学和嵌入式复合人工智能学院（SECAI）的计算机科学博士候选人，该学院是Konrad Zuse人工智能卓越学院的一部分。他获得了莱比锡大学的医学信息学硕士学位和安斯巴赫应用科学大学的生物医学工程学士学位。他的研究兴趣包括受神经启发的AI、机器学习和计算机辅助医学。