LikeBrain: 零预设参数的生物启发自适应认知系统

促进世界类脑计算的发展

应很多读者要求，现将ForeSight的L1级组件和一些L1级的研究成果合成为likeBrain，一个类脑计算的系统（BSD开源协议），公开源码，和各位AI爱好者共同促进世界类脑计算的发展。

https://gitcode.com/sakura_sea/LikeBrain

系统定位与能力边界

能力综述

本系统是一个零预设超参数、在线自适应、时空信号处理器。它融合了粒子盒阵列（空间耦合、局部状态演化）与酶促神经网络（多时间尺度非线性滤波），能够在不提供任何超参数（学习率、动量、衰减率、网络层尺寸除设计常量外）的情况下，通过误差驱动 + 振荡器调制自动演化参数，完成对一维或低维时空信号的去噪、分解与预测。

适用场景（L1级自适应）

连续时间序列的实时滤波（ECG、语音、振动信号）

含噪多尺度信号（同时包含 0.2Hz～10Hz 成分）的自动分解

低维空间耦合数据（如触觉传感器阵列、多通道环境监测）

需要在线自适应且无法提供梯度信息的环境

不适用场景（明确边界）

纯静态模式识别（如 MNIST 分类）—— 缺乏卷积/全连接结构，效率极低。

极高频率信号（> 80Hz）—— 酶动力学时间常数固有限制。

长期记忆任务（超过 10 秒）—— 最大时间常数为 5 秒。

需要全局最优的精确数学优化（如凸二次规划精确解）—— 启发式规则不能保证最优。

跨任务迁移—— 系统不自动发现新任务规律，属于 L1 而非 L2。

中文摘要

受生物酶促反应动力学和认知神经科学的启发，本文提出并开源了一个名为 LikeBrain 的计算系统。该系统从头构建了一个不依赖任何预设超参数的全自适应时空信息处理架构。通过融合可并行演化的 粒子盒阵列 与 酶促神经网络，并引入由自适应振荡器阵列动态调制的学习机制，LikeBrain 能够仅凭在线误差信号，从随机初始状态自动演化参数，实现多种信号处理任务。该系统是对储备池计算和液体状态机理论的扩展，在边缘计算和自适应信号处理领域具有应用前景。

关键词: 酶促神经网络, 零预设参数, 生物启发计算, 储备池计算, 自适应系统, 开源

---

1. 引言

1.1 动机与背景

打造能够像生物系统一样持续学习、实时适应的通用计算模型，一直是人工智能与认知科学交叉领域的长远目标。生物神经系统，尤其是大脑皮层与丘脑回路，展现出了卓越的适应性，能在各种时间尺度上动态调整其内部连接与动力学特性。受此启发，储备池计算（RC） 与**液体状态机（LSM）**已成为有效的神经形态计算框架。然而，无论RC还是传统的LSM，普遍依赖大量的人工超参数调优，这与生物系统“即插即用”的自组织特性相悖。

为了应对这一挑战，迫切需要探索既能保留RC/ LSM高效特性，又具备高度自主性的新模型。这不仅有助于验证相关的认知科学假说，也能为边缘计算、机器人控制等领域的工程应用提供新思路。

1.2 核心创新与认知科学联系

为构建更接近生物现实、且具备高工程实用价值的自适应系统，我们提出了 LikeBrain 系统。其核心创新和与之对应的认知科学联系如下：

LikeBrain 核心机制	生物认知映射	理论依据与参考文献
零预设超参数自适应	大脑的自我调节与稳态机制	借鉴了储备池计算的最新研究，该研究表明自适应兴奋/抑制平衡机制可大幅降低调优成本。
酶促反应动力学	神经递质的酶促降解与突触可塑性	受生物酶促反应动力学启发，模拟生物信号处理的生化本质。
多尺度振荡器调制学习率	脑节律在认知中的作用	模拟生物神经振荡器在认知功能中的关键角色，为系统提供了内在的动态节奏与弹性。
粒子盒阵列的时空耦合	皮层柱及其水平连接	模拟了大脑皮层中皮层柱的局部计算与长程水平连接，使空间模式的自组织成为可能。

1.3 本文贡献

本文的主要贡献在于:

1. 模型层，提出并开源了 LikeBrain 系统，它是一个零预设超参数、全自适应的生物启发计算框架，将粒子盒阵列与酶促神经网络统一在一个四层架构之下。
2. 算法层，设计了一种无梯度、误差驱动的启发式更新，并结合振荡器调制学习率的零预设自适应算法。
3. 机制层，提供并解析了振荡器如何作为一种新颖的参数自调节机制，让系统内部的“探索”与“利用”达到动态平衡。
4. 实践层，通过具体案例验证了系统在时空信号处理任务上的自适应能力，并说明其BSD-3-Clause开源许可如何服务社区与实践应用。

2. 相关工作

在探讨具体的系统架构前，有必要先明确 LikeBrain 在相关研究领域中的位置。

储备池计算 (Reservoir Computing) 与液体状态机 (LSM) 构成了我们的核心理论基石。RC通过一个固定、随机连接的储备池将输入映射到高维空间，其性能高度依赖对储备池增益等全局超参数的精细调节。而LSM则更进一步，使用脉冲神经网络（SNN）作为液体层，通过奖励调节机制提升学习效能。这要求研究者花费大量精力进行手动调参或繁琐的网络搜索，与生物系统的自适应性相悖。

自适应储备池 的相关研究试图解决这一问题。有研究通过引入Hebbian可塑性来重塑储备池，使网络能无监督地适应数据特征。更相关的工作是引入了局部调节兴奋/抑制（E/I）平衡的自适应机制，以达成目标神经元放电率。这些研究为我们摆脱超参数依赖提供了思路，但它们大多需要预设目标放电率等新参数，或调节范围有限。

生物启发的学习规则，如Hebbian学习及其在机器人领域的应用，同样为我们提供了灵感。然而，这些规则经常与其他工程方法结合，其端到端、纯粹的生物启发架构验证相对较少。此外，构建无监督、仅依赖内在状态的“无外部目标”学习系统，也是当前极具前沿性的研究方向。

---

3. 系统架构与自适应机制

3.1 总体架构

LikeBrain 的整体架构是一个四层级联的结构。

• 第0层: 粒子盒阵列是一个 N×N 的二维网格，用于模拟空间计算。
• 第1层: 酶促去噪层 接受第0层输出的高维特征向量，对其进行聚合和降噪。
• 第2、3层: 酶促分解与重组层 负责进行多时间尺度的信号分解和自适应重组。

在每个处理层背后，是一个与主处理路径并行的自适应振荡器阵列。每个振荡器负责为特定层的关键可调参数（如门控、耦合、权重等）动态生成实时的学习率调制因子。该系统通过一个统一的在线学习循环运作：在每个时间步，前向传播计算出系统输出，将其与目标值比较产生误差信号 error，然后将此误差反向传播，以驱动各层参数的启发式更新。

3.2 核心自适应机制

系统的核心自适应机制是其零预设参数的关键。

3.2.1 振荡器驱动的自适应学习率

系统中最核心的设计是使用自适应振荡器阵列来动态调节参数的更新速率。每个振荡器 Osc_i 都有其内部状态 phase 和 base_freq，其输出调制因子 mod = 1.0 + amplitude * sin(phase)。phase 根据误差积分动态调整：phase += base_freq * (1.0 + 0.2 * tanh(error_integral)) * dt。这种机制实现了“探索-利用”的动态平衡：误差大时，error_integral 为正，频率加快，学习率剧烈变化，促进“探索”；接近收敛时，error_integral 趋近于0，频率恢复，调制幅度变小，实现精细“利用”。

3.2.2 无梯度的参数更新规则

所有参数更新都直接基于误差和局部信息，无需任何链式求导。

• 对于第0层粒子盒，其内部 gate 权重和盒子间 coupling 权重遵循 Δgate = mod * error * Σ(source_state) * (1.0 - target_state) 和 Δcoupling = mod * error * (state_diff)^2 规则。
• 对于第1至第3层的酶促神经元，其权重 w 和增益 gain 的更新规则为 Δw = mod * error * (1.0 - w) 和 Δgain = mod * error * (1.0 - gain)。
  这些规则都确保参数有界，防止其无限制增长，保持了系统的稳定性。

3.2.3 多样性策略与参数更新

在粒子盒阵列 (第0层) 中，每个网格单元在更新时还会同时接收来自四个相邻单元的影响，而coupling强度同样会被误差信号调整，鼓励邻居状态趋于一致。这种设计让系统在局部空间中进行协同演化。同时，若某一层的全局误差长期停滞，系统会重置部分表现最差的粒子，并随机初始化其参数，以引入新的随机变异性，避免陷入局部死锁。

4. 实验验证

为初步验证系统处理多尺度时序信号的自适应能力，我们进行了仿真实验。

4.1 实验设置

• 任务：要求系统处理一个含噪多频混合信号。该信号由显著的高频（10Hz）、中频（2.5Hz）、低频（0.2Hz）正弦波以及直流偏置混合而成，并叠加了标准差为0.12的高斯白噪声。
• 系统配置：粒子盒阵列设定为 8×8 网格，酶促去噪层含20个节点，分解/重组层含25个节点。所有参数（门控、耦合、权重、增益及振荡器频率）均在运行起始时随机初始化。
• 训练：采用在线监督学习，在每个时间步，输入含噪信号，以纯净信号为目标，计算误差并更新。

4.2 收敛结果与分析

实验在约2000步后开始收敛。最终，第2、3层酶促神经元的分解增益和重组权重稳定在特定值：

参数	快增益 (Fast)	中增益 (Middle)	慢增益 (Slow)
增益值	0.609	0.473	0.487

参数	快权重 (Fast)	中权重 (Middle)	慢权重 (Slow)
权重值	0.170	0.415	0.415

1. 成功识别主频信号：“快通道”分配了0.609的最高增益，验证了系统能自动识别并增强10Hz的主导信号。
2. 实现频率分离：三个通道的增益值（0.609, 0.473, 0.487）彼此区分，使系统有效分离了信号分量。
3. 完成自适应重构：“快路径”在最终重组时仅被分配0.170的权重，而中/慢通道均获0.415，这表明系统执行了自适应信号重构策略。

该实验清晰地表明，LikeBrain 能够仅依靠在线误差信号，在不预设学习率等任何超参数的前提下，自动发现和学习多尺度信号的结构。

5. 讨论

LikeBrain 通过模拟认知的多时间尺度、振荡节律和局部适应性，为构建更“像大脑”的人工智能提供借鉴。其零预设参数的振荡器调制学习率机制，通过引入内在动态，替代了许多传统模型中广泛依赖的手动超参数退火策略，为自适应系统提供了新的思路。

同时，LikeBrain 也存在一些当前阶段的局限性。

• L1级自适应能力定位：L1意味着它能在单一任务中实现可靠的在线自适应，但缺乏跨任务迁移的元学习能力。
• 有限的任务适用性：它主要擅长处理具有时空特征的低频连续信号（频率上限约80Hz），对于静态图像分类、高频信号处理等任务效果不佳或需修改核心架构。
• 随机性与性能的不确定性：由于完全随机初始化，每次运行的收敛轨迹和最终性能可能存在些许波动，且当输入信噪比过低时，系统可能无法学习到有效信号。

6. 结论

本文提出了一个零预设参数的生物启发计算系统——LikeBrain，该系统融合了粒子盒阵列、酶促神经网络与自适应振荡器阵列，实现了仅凭在线误差信号的完全在线自适应。实验结果表明，系统无需手动设置学习率等超参数，即可自动学习复杂信号的多尺度结构。它对由L1级自适应系统通往更高级认知的计算路径做出了尝试，并为生物启发计算贡献了一个新的开源工具。

---

7. 开源许可与声明

BSD 3-Clause 许可证说明

为确保项目的开放性与广泛可用性，LikeBrain 采用 BSD 3-Clause 许可证 进行开源。它是一种商业友好度极高的宽松开源许可证。

使用 LikeBrain 时，您拥有以下权利：

• ✅ 自由使用：可任意运行、研究软件源码。
• ✅ 修改与分发：可修改并重新发布代码（需保留原始版权声明）。
• ✅ 商业集成：可将其作为组件，闭源集成到收费的商业软件中。

使用时，您需要履行的核心义务是：在所有分发版本中，必须完整保留许可协议文本与版权声明。它包含一个“禁止背书”条款，即您不能在未经书面许可的情况下，使用项目作者或贡献者的名义为衍生产品进行市场推广。

免责声明

本软件按“原样”提供，不提供任何形式的明示或暗示的保证，包括但不限于对适销性、特定用途适用性和非侵权性的保证。在任何情况下，作者或版权持有人均不对任何索赔、损害或其他责任负责，无论这些责任是源于合同、侵权或其他方式。

项目信息

• 项目名称: LikeBrain
• 开源协议: BSD 3-Clause
• 项目仓库: https://gitcode.com/sakura_sea/LikeBrain