神经发育演化计算：从生物启发到人工智能

探索受生物形态发生启发的神经架构演化新途径。

本模块深入探讨了如何模拟生物系统的形态发育 (Morphogenesis) 与 神经发育 (Neurodevelopment) 机制。我们不仅关注静态的网络拓扑，更侧重于通过 基因调控网络 (GRN) 动态地生成复杂的神经结构。

1. 核心学习目标

• 掌握发育流程: 理解并模拟由 “细胞分裂-细胞迁移-轴突生长” 构成的三阶段神经发育动力学。
• 辨析可塑性机制: 分析 STDP 与 BCM 规则在时空特征任务中的协同作用。
• 架构演化应用: 学习利用 协同演化算法 (CCEA) 优化分层储备池计算 (G-LSM) 的结构。

2. 关键知识组件

• 基因调控网络 (GRN): 充当人工生物体的“虚拟DNA”，调控转录因子的扩散与细胞行为。
• 形态发生素梯度: 为系统提供全局坐标信息，引导神经元的定位与连接。
• 储备池计算 (LSM/ESN): 作为处理时序信息的计算框架，通过演化发育机制提升其记忆容量。