深入的研究模型，例如卷积神经网络（CNN）和重复重复的神经网络（RNN），旨在稍微模仿生物神经网络的功能和结构。因此，除了解决各种现实世界的计算问题外，它们还可以帮助神经科学家和心理学家更好地了解特定的感觉或认知过程的基础。本文指出：奥斯纳布鲁克大学，柏林自由大学和其他机构最近开发了一种新的人工神经网络（ANN）的研究人员，比CNN和其他现有的研究算法更好地模仿人类视觉系统。他们新建议的计算技术（称为All-TNN）是在Tao自然行为上发表的一篇论文中引入的。 “过去，了解大脑处理视觉信息的最强模型是从AI视觉模型中得出的。”Xplore。 “它们通常是自然界中的卷积 - 一台机器的研究，该机器提供了提供相应的神经网络来搜索视觉输入中任何位置的确切相同特征。但是，这种方法非常有力：您在空间中所学到的东西不能移至所有其他位置。从所有其他位置都无法移动到所有的生物神经网络。从固定的sectional.y固定的sectiontials.y becort of consitialtial.y shore。在更大的距离中，大多数计算方法通常用于模仿人类视觉系统如何依赖于深度神经网络（DNN），例如CNN，这些模型可以训练以对视觉数据进行分类，例如大脑成像的模型，或者肯定是kietzman in the Modely and the Modely and new new new the The Mody and new new new new new new new。在一系列论文中，我的实验室展示了ML模型如何变为更好的生物学模型。例如，通过将递归连接纳入网络体系结构中，通过将工作训练的原因又通过构成了，以及层面上的特征是在kield的特征上，将工作纳入网络体系结构中，通过递归数据集将其纳入网络体系结构。同事表明，他们开发的新模型是基于（所有TNN），它反映了与CNN和其他DNN更接近的视觉系统，因为它们不仅模仿了支持视觉组织的原理，而且还可以在未来的研究中捕获人类的研究模型例如，他们可以帮助更好地理解整个皮质的选择性组织特征（也称为地形）如何影响人类的理解和行为。 Kietzmann补充说：“我们目前正在尝试改善培训以提高工作实施效率，因为与卷积网络相比，地形网络具有丰富的参数。”此外，我们需要指导模型以实现适当的空间特征 - 皮质地形的关键特征。但是，生物学可以开发出选择使皮质平滑的隐式机制。知道哪些方面允许这种情况发生是我们希望在其中做出贡献的主要研究领域。估计整个TNN是人类视觉行为的空间偏见。图片来源：人类行为的性质（2025）。 doi：10.1038/s41562-025-02220-7
