可微分神经计算机

Parent: ai_keywords

核心定义

可微分神经计算机（Differentiable Neural Computer, DNC）是由DeepMind于2016年提出的一种神经架构，它将深度神经网络与可微分的外部存储器（External Memory）深度融合。不同于传统神经网络仅依赖隐状态编码短期信息，DNC通过受控读写头（Read/Write Heads）与共享存储矩阵交互，实现对复杂结构化信息的显式存储、长期保留与灵活检索，且整个系统（控制器、存储器、链路权重）通过反向传播端到端训练，具备动态推理与算法学习的潜力。

关键技术点

  1. 可微分外部存储器
    由固定大小的存储矩阵组成，每个单元存储连续值向量。控制器可通过注意机制（Content-based & Location-based）访问任意地址，且所有读写操作均保持可微，确保梯度流通。

  2. 基于控制的读写头
    多个并行读写头由控制器（通常为LSTM）输出参数（擦除、添加、读写权重）驱动。写头支持遗忘与添加操作，读头以软注意力从存储单元聚合信息，实现非局域性记忆访问。

  3. 时间-空间链接矩阵（Temporal Link Matrix）
    动态记录存储单元被写入的顺序，使网络能按时间顺序或逆序回溯数据，支持长序列结构记忆与序列关系推理。

  4. 内存释放与分配机制
    通过可微分的“使用程度”与“空闲列表”管理存储资源，自动标记不再需要的单元以供覆盖，避免静态大小带来的容量瓶颈。

医学/神经科学应用场景

首都医科大学神经病学研究背景下的工作记忆障碍建模
以阿尔茨海默病（AD）早期工作记忆损伤为例：DNC可被训练执行符号推理与序列记忆任务（如延迟匹配样本任务）。通过调节DNC的写衰减率、读写头注意力聚焦度等参数，可模拟AD患者额-颞叶回路退化导致的记忆编码/保持缺陷。具体场景中，将患者的记忆行为数据（正确率、反应时）作为约束，利用DNC的可微分性反向拟合异常记忆操作，从而定量解析不同脑区（如海马、前额叶）异常对认知环节的特异性贡献。该模型可为首都医科大学开展的非侵入性神经调控（如tDCS靶向刺激）提供个性化治疗靶点验证工具，并作为药物研发中数字孪生记忆评估平台的核心组件。