《Science | 鸣禽发声学习能力越强,越能更好地解决问题,大脑也越大》

  • 来源专题:战略生物资源
  • 编译者: 李康音
  • 发布时间:2023-09-18
  • 2023年9月15日,洛克菲勒大学的研究人员在Science杂志上发表题为“Songbird species that display more-complex vocal learning are better problem-solvers and have larger brains”的文章。

    复杂发声学习是人类口语的一个重要组成部分,一直被认为与更高级的认知能力有关。在同一物种内的个体之间对该假设的测试尚无定论,也尚未在整个物种间进行过测试。在这项工作中,研究组评估了23种鸟类中214只个体的一系列认知技能(即解决问题、联想和反向学习以及自我控制),其中包括19种野生捕获的鸣禽、两种驯养鸣禽和两种野生捕获的无发声学习鸟类。结果发现,一个物种的发声学习能力越强,其解决问题的能力就越好,大脑也相对越大。当控制非认知变量和系统发育时,该结论仍成立。研究结果支持了一种假设,即鸣禽在发声学习、解决问题和更大的大脑之间存在着共同的遗传和认知机制。





    本文内容转载自“ 科学网”微信公众号。

    原文链接: https://mp.weixin.qq.com/s/6Mxdy0j0ihaq0TRIf8-07Q

  • 原文来源:https://www.science.org/doi/full/10.1126/science.adh3428
相关报告
  • 《Science | 乌鸦 "计算 "自己发声的次数》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-05-30
    • 2024年5月23日,图宾根大学等机构的研究人员在国际顶尖学术期刊 Science 上发表了题为Crows “count” the number of self-generated vocalizations的研究论文。 要想有目的地发出特定数量的声音,需要将计算能力和声音控制能力巧妙地结合起来。这种能力是否存在于人类以外的动物中,目前还不得而知。 该研究表明,乌鸦可以根据与数值相关的任意线索,灵活地发出 1 到 4 个不同数量的声音。一个序列中第一声发声的声学特征可以预测发声的总次数,这表明了一个计划过程。此外,发声单元的声学特征还能预测它们在序列中的顺序,并可用于读出发声过程中的计数错误。
  • 《大脑启发的计算可以在很小的方面解决大问题》

    • 来源专题:生物安全网络监测与评估
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2019-09-17
    • 虽然计算机变得更小,功能更强大,超级计算机和并行计算已成为标准,但我们即将在能源和小型化方面遇到障碍。现在,宾夕法尼亚州立大学的研究人员已经设计出一种2D设备,它可以提供比是或否更多的答案,并且可能比当前的计算体系结构更像大脑。 “由于传统冯·诺依曼计算架构的不可扩展性以及即将到来的'黑暗硅'时代对多核处理器技术造成严重威胁,复杂性扩展也在下降,”研究人员在今天(9月13日)的在线报道自然通讯问题。 黑暗硅时代在某种程度上已经存在,并且指的是计算机芯片上的所有或大多数设备无法立即通电。这是因为单个设备产生的热量过多。冯·诺依曼架构是大多数现代计算机的标准结构,依赖于数字方法 - “是”或“否”答案 - 其中程序指令和数据存储在同一存储器中并共享相同的通信信道。 “因此,数据操作和指令获取不能同时完成,”工程科学与力学助理教授Saptarshi Das说。 “对于使用神经网络的复杂决策,您可能需要一组超级计算机同时尝试使用并行处理器 - 并行数百万台笔记本电脑 - 这将占据足球领域。例如,便携式医疗保健设备,不能那样工作。“ 根据Das的说法,解决方案是创建大脑启发的模拟统计神经网络,不依赖于简单开启或关闭的设备,而是提供一系列概率响应,然后与机器中的学习数据库进行比较。为此,研究人员开发出一种高斯场效应晶体管,由二维材料 - 二硫化钼和黑磷制成。这些设备更节能,产生的热量更少,因此非常适合扩展系统。 “人脑在20瓦的功率下无缝运行,”达斯说。 “它更节能,包含1000亿个神经元,并且它不使用冯·诺依曼架构。” 研究人员指出,不仅能量和热量已成为问题,而且越来越难以适应更小的空间。 “尺寸缩放已停止,”达斯说。 “我们只能在芯片上安装大约10亿个晶体管。我们需要像大脑那样更复杂。” 自20世纪80年代以来,概率神经网络的概念已经存在,但它需要特定的设备来实现。 “与人类大脑的工作类似,关键特征是从一组训练样本中提取出来,以帮助神经网络学习,”工程科学与力学研究生Amritanand Sebastian说。 研究人员在人脑电图上测试了他们的神经网络,脑波的图形表示。在向网络提供许多EEG示例之后,网络可以接收新的EEG信号并对其进行分析并确定受试者是否在睡觉。 “我们不需要像人工神经网络那样需要广泛的训练周期或概率神经网络信息基础,”达斯说。 研究人员认为统计神经网络计算在医学中有应用,因为诊断决策并不总是100%是或否。他们还意识到,为了获得最佳的影响,医疗诊断设备需要小巧,便携并且使用最少的能量。 Das和同事称他们的设备为高斯突触,它基于双晶体管设置,其中二硫化钼是电子导体,而黑磷通过缺失的电子或空穴传导。该器件本质上是两个串联的可变电阻器,并且该组合产生具有两个尾部的图形,其匹配高斯函数。 从事这个项目的其他人是Andrew Pannone,工程科学和力学本科;和Shiva Subbulakshmi,印度Amrita Vishwa Vidyapeetham的电气工程专业学生,以及Das实验室的暑期实习生。 空军科学研究办公室支持这项工作。 ——文章发布于2019年9月13日