Ich denke, Sie vermissen eines: Ein Perzeptronmodell und ein Spikemodell schließen sich nicht gegenseitig aus. Tatsächlich verwenden Menschen in Perzeptronen normalerweise eine Sigmoidfunktion. Das ist kein Zufall: Es simuliert eine Art Spitze. Wenn Sie einen Organismus wie C. elegans modellieren würden, dessen Neuronen nicht spitzen (sondern "abgestufte Aktionspotentiale" verwenden), würden Sie eine andere Art von Aktivierungsfunktion verwenden (übrigens, wenn Sie das Human Brain Project mögen, Sie sollten auch das Openworm -Projekt überprüfen, das viel realistischer ist und bereits einige interessante Ergebnisse liefert).
Also zurück zum Punkt. Wenn Sie versuchen, das Lernen und die Erzeugung von Gedächtnis zu modellieren, beschäftigen Sie sich häufig mit Plastizität. Nur eine kurze Erklärung: Ein Neuron löst ein Aktionspotential (AP) aus, wenn sein Transmembranpotential einen Grenzwert überschreitet. Das Potential selbst ändert sich aufgrund der Eingaben von anderen Neuronen. Aber nicht alle Eingänge haben das gleiche Gewicht. Angenommen, Sie betrachten das Neuron A, das Synapsen von den Neuronen B, C, D erhält. Wenn B gleichzeitig mit C ausgelöst wird, kann es ausreichen, aus A einen AP zu erstellen. Aber auch in Kombination mit B oder C, D lösen nicht genügend Transmembranpotentialvariationen aus, um einen AP zu erzeugen; Es muss genau zur gleichen Zeit wie E, F, G und H feuern, um genügend "Feuerkraft" zu erhalten, um A zu aktivieren.
Wenn jedoch jedes Mal D feuert, erhält A einen AP (wegen der gleichzeitige Aktivierung anderer eingehender Neuronen), dann könnte man sagen, dass D für A "nützlich" ist und (abhängig von der Art des Neurons und anderen Parametern) das Gewicht von D zunehmen kann, so dass D nach einer Weile dazu in der Lage ist einen AP in A auslösen, indem Sie gleichzeitig mit jedem anderen ankommenden Neuron feuern. Das ist ein Plastizitätsphänomen. Beachten Sie, dass es sich hier um ein wirklich einfaches hypothetisches Beispiel handelt. Und auch, dass die Idee, dass Lernen aus Plastizität resultiert, immer mehr in Frage gestellt wird.
Wenn Sie also verstehen möchten, wie Lernen und Gedächtnis ablaufen, sind Sie möglicherweise nur an den Gewichten der Verbindungen interessiert und daran, wie sie sich je nach Netzwerkaktivität entwickeln. In diesem Fall ist ein Perzeptronmodell ein guter Weg.
Das große Neue bei künstlichen neuronalen Netzen ist heutzutage, sie mit biologischer Präzision zu simulieren, dh mit Spikes
Wie Sie bereits in Ihrer Frage erwähnt haben, müssen Sie ein Modell auswählen, das Sie verwenden möchten (als Forscher, der versucht, das Gehirn zu verstehen). Dies ist nicht versucht, eine genaue Darstellung zu geben, wie das Gehirn wirklich ist. Wenn Sie an den Gewichten der Verbindungen interessiert sind, können Sie einen Ansatz für neuronale Netze verwenden (und dieser ist nicht veraltet), und Sie interessieren sich nicht für einen einzelnen Ionenkanal auf der Membran von a Neuron. Alternativ können Sie Ihr Leben auch dem Verständnis der Struktur eines einzelnen Ionenkanals widmen und wie einfache Details die gesamte Funktionsweise des Gehirns bestimmen können.
Projekte wie das Human Brain Project versuchen zu erstellen ein "biologisch genaues" Modell des Gehirns. Es geht also darum, die Spikes sowie die Netzwerkorganisation sowie einzelne Ionenkanäle zu modellieren. In diesem Fall müssen sie also keine Paradigmen wie künstliche neuronale Netze verwenden, da das Verhalten des Netzwerks ein Ergebnis der Modellierung der einzelnen Neuronen sein sollte: Dies wäre eine emergente Reaktion. Sie haben jedoch nicht mehr die Vereinfachungen, die andere Modelle mit sich bringen, und benötigen daher eine enorme Rechenleistung. Außerdem stehen sie vor neuen Problemen: Beispielsweise müssen sie allen einzelnen Parametern ihrer Modelle Werte geben, von denen einige sind Derzeit unbekannt und könnte überhaupt nicht existieren.
Ich denke, dies gibt Antworten auf Ihre Frage in dem Sinne, dass sich nicht das Gehirn entwickelt hat, um ein Modell auszuwählen, sondern die Wissenschaftler, die es versuchen Modellieren Sie einen bestimmten Aspekt des Gehirns.
EDIT: Ich sehe tatsächlich, dass diese Frage ziemlich alt ist; Entschuldigung, es war ein Vorschlag auf der rechten Seite, der mich hierher gebracht hat. Aber ich denke, meine Antwort kann immer noch einen Aspekt bringen, der in den anderen Antworten noch nicht erwähnt wurde. Ich hoffe, Sie werden es sehen.