用于模拟哺乳动物模型和人工神经系统的情绪状态或行为之间的动态的架构、系统和方法与流程

本文所述的各种实施方案涉及用于模拟哺乳动物模型和人工神经系统的行为和情绪状态的装置和方法。

背景技术

可能期望模拟哺乳动物模型和人工神经系统的行为和情绪状态之间的动态。本文的实施方案提供了用于该模拟的架构、系统和方法。

附图说明

图1是根据各种实施方案的人工神经系统的情绪状态或行为之间的动态或病理学的简化图。

图2A是根据各种实施方案的模拟两个情绪状态或行为之间的动态或病理学的模块的简化图。

图2B是根据各种实施方案的模拟三个情绪状态或行为之间的动态或病理学的模块的简化图。

图2C是根据各种实施方案的模拟八个情绪状态或行为之间的动态或病理学的模块的简化图。

图3A是根据各种实施方案的可为图2A至图2C所示的模块生成信号或权重的多输入数据处理模块的示意图。

图3B是根据各种实施方案的多个多输入数据处理模块的示意图，其中每个模块可为图2A至图2C所示的模块生成信号或权重。

图4A是根据各种实施方案的数据处理模块网络的简化框图，该数据处理模块网络可根据各种实施方案为图2A至图2C和图4B至图4C所示的模块生成信号或权重。

图4B是根据各种实施方案的用于对情绪进行建模的动态系统的示意图。

图4C是根据各种实施方案的皮层下回路的示意图。

图4D是根据各种实施方案的示出刺激输入如何影响情绪的曲线图。

图4E是根据各种实施方案的示出作为情绪触发因子的预测误差的神经密度的示意图。

图4F是根据各种实施方案的示出情绪可如何引起新求解方法的示意图。

图5A是根据各种实施方案的硬件模块的框图。

图5B是根据各种实施方案的另一个硬件模块的框图。

图6A是根据各种实施方案的提供哺乳动物模型的数字表示的用户可感知设备的简化图。

图6B是根据各种实施方案的哺乳动物模型的解剖表示的简化图。

具体实施方式

在一个实施方案中，可模拟人工神经系统的情绪状态或行为之间的动态。在一个实施方案中，人工神经系统是不模仿生物体的独立人工神经系统。在另一个实施方案中，人工神经系统可表示或模拟化身(avatar)，诸如表示任何种类的动物或生物的虚拟生物体。在一个实施方案中，人工神经系统表示或模拟哺乳动物模型。

在另一个实施方案中，人工神经系统使实体机器人动画化。机器人可包括与真实世界紧密相连的传感器(诸如相机、麦克风、触摸传感器或任何其他合适的传感器)。机器人可包括效应器/马达/致动器，诸如四肢、可动画的面部结构、用于音频输出的扬声器或任何其他合适的致动器/效应器。

在一个实施方案中，化身(诸如哺乳动物模型)可经由用户可感知格式(诸如如图6A所示的屏幕60A上的图像62A或如图6B所示的解剖模型60B)来呈现给用户或被用户感知。如图6A所示，实施方案70A中的化身可具有一个或多个模拟情绪状态。如此处所讨论的情绪状态可包括由外感受性和内感受性环境引起的内脏运动和运动活动的组合。用户可通过化身的面部表情72A、身体语言74A或经由扬声器66A投射的语音来感知化身的情绪。在一个实施方案中，可在如图6B所示的化身60B的至少部分解剖表示中呈现化身的情绪状态或行为。

在任一实施方案中，人工神经系统的情绪状态或行为可因状态和行为之间的动态而变化或改变。在一个实施方案中，状态或行为之间的动态可受到所投射或所感知的环境(其中此类知觉可投射到化身上)的影响或干扰。这些知觉可包括各种感官知觉，包括视觉、听觉、嗅觉(气味)、味觉和触觉(触摸)。可通过传感器诸如相机、麦克风、触摸传感器或任何其他合适的传感器将来自真实世界环境的知觉提供给化身。

在一个实施方案中，行为可以是任何主体驱动的过程。行为可包括任何举止或动作，包括但不限于面部表情72A、身体语言74A、经由扬声器66A投射的语音等等。更一般地讲，行为可包括基于由情绪系统动态地监测、调节或控制的进度量度来激活不同例程的任何数学求解器。情绪系统可受到神经放电密度的影响，并且在一个实施方案中受到来自多个水平或差值的预测误差密度的影响。

在一个实施方案中，化身60B的解剖表示可包括传感器，或系统50B(图5B)可包括检测其环境中的各种感觉的一个或多个传感器。类似地，生成化身的数字表示70A的数字系统50B可包括用于检测其环境中的一种或多种感觉的传感器。系统60B还可从系统50B或其他耦接到系统50B的系统诸如计算机程序(其中化身是该程序的一部分)(诸如游戏、人工现实设备、虚拟现实设备或其他数字源)接收待应用于化身70A、60B的传感器信息。

在一个实施方案中，数字系统50B数字输入模块56可包括用于收集和提供视觉感官数据(正常光谱或宽光谱)的视觉传感器。输入模块56还可包括用于收集和提供音频感官数据(正常或超出哺乳动物正常音频范围)的一个或多个麦克风。输入模块56还可包括这样的设备，其接收空气样品以进行化学测试，从而检测嗅觉信号，这些嗅觉信号可按数字表示提供。输入模块56可包括这样的设备，其接收实体样品以进行化学测试，从而检测哺乳动物可尝出的元素的存在，并且为此类味道提供数字表示，这些味道包括所检测的氯化钠水平(尝起来是咸的)、糖化合物水平(尝起来是甜的)、酸水平(尝起来是酸的)、辣椒水平(引起疼痛)及其他。输入模块56还可包括使用户能够提供化身70A、60B上的各种位置处的触摸水平的指示的触摸板或其他设备。

在一个实施方案中，可评估化身70A、70B的当前情绪状态、感官输入的组合及其强度以确定或模拟情绪状态或行为之间的动态。如在一个实施方案中所指出，一个或多个感官输入自身可以是化身60A的数字现实的一部分。在一个实施方案中，化身60A、60B可具有与实体哺乳动物类似的许多模拟情绪状态或行为，其中部分地基于实体哺乳动物的分析来确定每个模拟情绪状态或行为的水平。此类分析可包括实体哺乳动物脑功能以及实体哺乳动物中的某些情绪状态和行为之间的所感知的动态。

在实体哺乳动物脑中，可响应于感官输入而在不同脑区中产生促使神经化学物质释放的运动行为回路和内脏运动回路的各种神经激活。神经化学物质生成的水平还可随感官输入强度而变化。另外，某些感官输入可影响脑的不同皮层区域和皮层下区域(有意识区域和潜意识区域)并且形成实体哺乳动物中某些情绪状态和行为之间的所感知的动态。例如，杏仁核和下丘脑可参与形成若干情绪状态(如此处所讨论的情绪状态是由外部和内部环境引起的内脏运动和运动活动的组合)或行为，包括恐惧反应、情绪反应、激素分泌、唤醒和记忆。

另外，海马(即，位于脑内侧颞叶内的小器官)可形成边缘系统的重要部分并且可调控实体哺乳动物的情绪。海马还可编码来自杏仁核和皮层的情绪环境。下丘脑连接到脑腺诸如垂体腺，并且其他腺体诸如受脑干核团控制的那些腺体(例如，蓝斑)可生成可有助于调控情绪状态或行为之间的动态的神经化学物质。杏仁核和下丘脑及脑干核团的上游活动所释放的神经化学物质可包括多巴胺、血清素、去甲肾上腺素(NE)和催产素。

在一个实施方案中，可通过形成诸如图1所示的各种情绪状态或行为之间的动态模型来模拟化身的情绪状态。化身70A、70B的随时间推移的所测量或所生成的感官输入及其强度(单独或组合)以及它们的导数(它们变化有多快)可用于有效地生成或模拟各种神经化学物质，这些神经化学物质在一个实施方案中可由感官输入生成。如参照图1所解释，模拟的神经化学物质或者所测量或所生成的感官输入可用于在化身70A、70B中模拟实体哺乳动物的相互矛盾的情绪阶段或行为之间的动态并且确定化身的当前或活动情绪状态或行为。

图1是根据各种实施方案的人工神经系统的情绪状态或行为12A至C之间的简化动态或病理学10。如图1所示，相互矛盾的情绪状态(ES)可包括ES恐惧12A、ES中立12B和ES愤怒12C。在一个实施方案中，人工神经系统可被视为具有每个ES 12A至C的不同水平(在一个实施方案中从0％至100％)。动态或病理学10可用于模拟因存在输入(神经化学物质输入、感官输入或它们的组合)而引起的随时间推移的不同ES 12A至C水平的变化。

如图1所示，某些情绪状态之间的动态或病理学10可基于当前ES 12A至C水平、ES 12A至C的相应增量或变化差值而变化。例如，当愤怒的ES 12C增大时，其可在短时间间隔内增加或者可需要存在或经由途径14B输入更少的感觉或神经化学物质。类似地，当恐惧的ES 12A增大时，其可在短时间间隔内增加或者可需要存在或经由途径14A输入更少的感觉或神经化学物质。然而，当愤怒的ES 12C减小时，其可需要更长的时间间隔或可需要存在或经由途径14C输入更多的感觉或神经化学物质。类似地，当恐惧的ES 12A减小时，其可需要更长的时间间隔或可需要存在或经由途径14D输入更多的感觉或神经化学物质。在这些场景中的每个场景中，在各种ES 12A至C水平改变的时间间隔内可能需要存在或不需要存在建模的神经化学物质输入或感官输入。在一个实施方案中，各种ES 12A至C之间的动态始终存在并且被模拟。

在一个实施方案中，如图1所示的各种ES 12A至C之间的动态可以是如图2A至图2C所示的模拟递归模块20A至C。在模块20A至C中，每个情绪状态或行为12A至H可以是处于反馈环路中的网络状态或神经元，该反馈环路具有其自身的状态或神经元以及模块20A至C中的每个其他状态或神经元。如图2A至C中的网络状态或神经元12A至H所表示的每个情绪状态或行为的有效水平可随模拟神经化学物质输入或感官输入、其强度、持续时间和变化率而变化。

图2A是根据各种实施方案的模拟两个情绪状态或行为12B至C之间的动态或病理学的模块20A的简化图。如图2A所示，模拟模块20A包括表示ES中立(12B)和ES愤怒(12C)的两个神经元或网络状态12B和12C。也如图2A所示，模块20A包括与图1所示的途径类似的状态或神经元12B和12C之间的途径14B和14C。状态12B和12C之间的变化(如果有的话)受到状态12B、12C和它们自身之间的反馈的影响。在一个实施方案中，每个状态12B至C的水平的变化可基于所尝试的变化方向(更高或更低)和模拟神经化学物质输入或感官输入、其强度、持续时间及变化率而变化。

图2B是根据各种实施方案的模拟三个情绪状态或行为12A至C之间的动态或病理学的模块20B的简化图。如图2B所示，模拟模块20B包括表示ES恐惧(12A)、ES中立(12B)和ES愤怒(12C)的三个神经元或网络状态12A至C。也如图2B所示，模块20B包括与图1所示的途径类似的状态或神经元12B和12C之间的途径14B和14C以及状态或神经元12A和12B之间的途径14A和14D。状态12A至C之间的变化(如果有的话)受到状态12A至C和它们自身之间的反馈的影响。在一个实施方案中，每个状态12A至C的水平的变化可基于所尝试的变化方向(更高或更低)和模拟神经化学物质输入或感官输入、其强度、持续时间及变化率而变化。

可为任何数量的ES创建类似模块。例如，图2C是根据各种实施方案的模拟八个普遍报告的情绪状态或行为12A至H之间的动态或病理学的模块20C的简化图。如图2C所示，模拟模块20C包括表示ES恐惧(12A)、ES中立(12B)、ES愤怒(12C)、ES痛苦(12D)、ES惊愕(12E)、ES感兴趣(12F)、ES笑声(12G)和ES喜悦(12H)的三个神经元或状态12A至H。与模块20A和20B类似，状态12A至H之间的变化(如果有的话)受到状态12A至H和它们自身之间的反馈的影响。

在一个实施方案中，每个状态12A至H的水平的变化可基于所尝试的变化方向(更高或更低)和模拟神经化学物质输入或感官输入、其强度、持续时间及变化率而变化。图3A是多输入数据处理模块30A的示意图，该多输入数据处理模块可根据各种实施方案基于模拟神经化学物质输入或感官输入、其强度、持续时间和变化率来为图2A至图2C所示的状态12A至H生成信号或权重。图3B是根据各种实施方案的多个多输入数据处理模块30B的示意图，其中每个模块可为图2A至图2C所示的状态12A至H生成信号或权重。

如图3A和图3B所示，每个多输入数据处理模块30A可接收多个神经输入A至Z。在一个实施方案中，神经输入可表示模拟神经化学物质输入或感官输入及其强度。然后每个模块30A可还经由模块32将每个神经输入A至Z对时间积分并且确定输入的导数。模块30A、30B可经由加法器34对神经输入A至Z的积分、原始值和导数进行求和。可处理神经输入A至Z的求和的积分、原始值和导数以在一个实施方案中经由模块36为模块20A至C的每个状态12A至Z生成权重和信号。在一个实施方案中，输入数据处理模块30A可为模块20A至C的所有状态12A至Z生成权重和信号，如图3A所示。在一个实施方案中，单独模块32、36和加法器34可为模块20A至C的每个状态12A至Z生成权重和信号，如图3B所示。

图4A是根据各种实施方案的前馈、学习数据处理模块网络或实例40的示意图，该前馈、学习数据处理模块网络或实例可用于动态情绪状态系统20A至C的情绪状态12A至H中，以处理神经输入A至Z或处理模块30A、30B所生成的信号。网络40包括多个层42A、42B至42N，并且每个层4A、42B至42N分别包括一个或多个数据处理或计算单元模块(DPM)A1至N1、A2至N2和A3至N3。每个DPM A1至N1、A2至N2和A3至N3接收数据或数据向量并且生成输出数据或数据向量。

可将输入数据或数据向量I提供给数据处理模块(DPM)A1至N1的第一层12A，其中可由多输入数据处理模块网络3A、3B生成输入数据向量I。如所指出的，模块30A、30B所生成的信号可在一个实施方案中形成输入数据向量I。在一个实施方案中，层42A、42B、42C的每个DPM 1A至A1至N1、A2至N2和A3至N3可完全连接到相邻层42A、42B、42N DPM A1至N1、A2至N2和A3至N3。例如，层42A的DPM A1可连接到层42B的每个DPM A2至N2。

在一个实施方案中，网络40可表示神经网络并且每个DPM A1至N1、A2至N2和A3至N3可表示神经元。此外，每个DPM A1至N1、A2至N2和A3至N3可接收向量中的多个数据元素并且使用加权算法将该多个数据元素组合以生成单个数据。在一个实施方案中，然后以1.0的约束条件(或被挤压到1.0的最大量值)约束或挤压该单个数据。该网络可接收表示特征集合的一个或多个数据向量，在该特征集合中，特征可表示时刻。

在一个实施方案中，网络40可接收输入训练向量，这些输入训练向量具有标签或预期结果或预测，诸如保持当前情绪状态12A至12G以及向另一个情绪状态12A至12G发送控制。在另一个实施方案中，网络40可接收输入训练向量，这些输入训练向量具有标签或基于模块30A、30B所生成的信号的对状态12A至12G的期望控制信号的预期结果或预测。网络40可采用或调节加权矩阵以减少预期结果或标签与网络、实例或模型40所预测的结果或标签之间的差异。在一个实施方案中，可由用户定义的距离函数确定误差或距离E。网络或模型40还可包括这样的函数，其约束每个层的DPM A1至N1、A2至N2和A3至N3量值以尝试训练模型或网络40，从而在将对应输入向量作为输入I呈现给网络或模型40时正确地预测结果。在网络10A中，最终层12N的每个DPM 3A至3N可提供输出数据、预测结果或数据向量O1至ON。在一个实施方案中，数据向量可确定哪个状态应处于支配地位。

图4B是一些实施方案中的皮层下回路48A的示意图。皮层下回路48A可在计算机系统(诸如50A和50B)中实现并且针对系统对单种情绪(诸如状态12A至12H中的任何状态)的行为反应进行建模。首先，可作为触发区域的输入来接收情感性刺激(emotionally competent stimulus)。情感性刺激可以是例如触觉的、视觉的、听觉的、嗅觉的等等。触发区域对应于对系统的触发因子作出反应的脑的部分并且可由一个或多个神经元(诸如神经网络)建模。触发区域可包括模态独立活动模式43A，这些模态独立活动模式包括不限于特定感知途径的触发因子。例如，模态独立活动模式43A可以是快速触发因子或持续触发因子，而不论该触发因子是触觉的、视觉的还是听觉的。这些模式可被视为不限于特定模态的通用机制并且可驻留在皮层的模型中并由该模型建模。在一些实施方案中，模态独立活动模式43A可对应于随时间推移的刺激的变化率和随时间推移的刺激的持续活动的水平。触发区域还可包括内感受性模式43B，其是与感测身体或人工神经系统的内部状态相关的触发因子。内感受性模式43B可被视为特定机制并且可驻留在脑干的模型以及皮层的特化区域诸如岛叶和前扣带回中并由它们建模。触发区域还可包括外感受性模式43B，其是与感测在身体或人工神经系统的状态之外的特征相关的触发因子。外感受性模式43B可驻留在皮层的模型中并由该模型建模。此外，触发区域可包括任意模式43D，其可以是习得情绪触发因子，诸如通过训练身体或人工神经系统使触发因子与情绪相关联而产生的巴甫洛夫反应。任意模式43D可驻留在皮层的模型中并由该模型建模。调节可影响触发回路43自身(例如，敏感或脱敏)以及行为反应46A。

触发区域43A至D可包括先天触发因子、硬连线触发因子(hardwired trigger)和习得触发因子。先天触发因子可包括基于神经放电的触发因子，诸如模态独立活动模式43A。这些触发因子可基于如经由注意力、神经化学物质等等调节的神经元之间的连接和这些连接上的活动。先天触发因子也可为硬连线的，其直接进入行为反应回路而无需用神经放电建模。在一个实施方案中，内感受性模式43B和外感受性模式43C是硬连线的。硬连线的一个示例可为疼痛，其硬连线至行为反应。然而，在其他实施方案中，内感受性模式43B和外感受性模式43C也基于通过神经网络的神经放电。例如，疼痛或奖励刺激可诱导神经放电突发，由此引起行为。因此，先天触发因子可为硬连线的或基于神经放电，并且可使用这两种方法的组合。

习得触发因子基于刺激和情绪之间的映射。这样，任意模式43D可与情绪联系起来。例如，如果刚好在呈现负性刺激之前呈现铃声，则铃声可与负性情绪相关联。神经网络、关联映射或其他模型可建立原本任意的刺激、铃声和已在存在该刺激的情况下感知到的情绪之间的关联。

可将触发因子传输到映射回路44A，为简化起见，在此示出了该映射回路以共同对引起内脏运动和运动活动的下丘脑和/或其他皮层下核团进行建模。该映射回路可包括多个神经元诸如神经网络，并且对单种情绪的下丘脑/皮层下核团反应进行建模。映射回路44A可触发多个(运动)行为反应46A中的一者或多者。更复杂的实施方案可涉及可能参与情绪加工和行为反应的皮层区域(诸如前扣带回)中的进一步映射。

在处理该信号之后，映射回路44A将信号输出传输到调节(内脏运动)神经化学反应模型45A。神经化学反应模型45A对身体或人工神经系统中的神经化学物质的释放进行建模。神经化学反应模型45A可包括多个神经元，诸如神经网络。映射回路44A也将信号输出传输到行为反应46A。行为反应46A可包括一个或多个神经元，诸如神经网络。行为反应46A可包括情绪状态12A至12H中的任何一个情绪状态。行为反应可触发身体或人工神经系统的运动执行，诸如面部表情72A、身体语言74A或语音。

图4C示出了组合多个皮层下系统的动态系统48。在一个实施方案中，动态系统48包括由该系统建模的每种情绪(诸如状态12A至12H中的每个状态)的皮层下系统。触发区域43E可包括每种情绪的多个触发区域43A、43B、43C和43D(每种情绪可具有对应触发区域43A、43B、43C和43D)。类似地，映射回路44可包括每种情绪的单独映射回路44A。可将输出信号从映射回路44传输到神经化学状态45，该神经化学状态可包括每种神经化学物质的表达水平的向量。映射回路44可将输出信号传输到行为反应模型46。可为每种情绪提供行为反应模型46A。行为反应模型46可包括例如情绪状态12A至12H。

行为反应模型46可以以多种方式彼此连接。首先，一个行为反应模型可抑制另一个行为反应模型，诸如感兴趣抑制恐惧。此外，在一些实施方案中，可使用这些行为反应模型(两者均抑制另一行为反应模型)对相互抑制进行建模。在一些实施方案中，每种情绪的行为反应模型抑制所有其他情绪的行为反应模型，因为这些行为均争夺注意力并且试图彼此取代。其次，行为反应模型可通过递归动态回路来与其他行为反应模型交互。递归动态回路可对突变网络进行建模，其中突变是指从一个状态向另一个状态的突然切换(其可以是正性的或负性的)。递归动态回路可对诸如动态或病理学10中所示的复杂行为进行建模，其中行为不仅取决于触发因子，而且取决于最近的当前状态。

还可由神经化学状态45调节行为反应模型46。神经化学状态可处理来自映射回路44的输入并且将输出信号传输到行为反应模型46。输出信号可调节行为反应模型46的反应。该调节可对因某些神经化学物质的释放而在哺乳动物中发生的调节进行建模。

行为反应模型46之间的连接可例如由模块20A、20B或20C建模，其中单种情绪的每个行为反应模型对应于状态12A至12H中的一者。模块20A、20B和20C的节点之间的连接可对行为反应模型46之间的抑制和递归关系进行建模。每个连接可对信号从一个行为反应模型到另一个行为反应模型的潜在传输进行建模。此外，由神经化学状态45进行的调节还可由行为反应模型46的神经网络输入建模。

图4D是示出刺激输入如何根据模态独立活动模式影响人工神经系统中的情绪的曲线图90。Y轴度量神经放电密度。神经放电密度可由映射函数确定或影响，该映射函数从刺激输入的特性映射到神经放电密度。例如，该映射函数可以是刺激输入的特性和神经放电密度之间的单调映射。因此，神经放电密度可以是单调尺度上的量度。可映射任何特性，诸如强度、音高、熵等等。例如，在一些实施方案中，更强拍子对应于比更轻拍子更密集的神经放电，并且呼喊对应于比正常语气的说话更密集的神经放电。X轴度量时间。

刺激的变化率影响所诱导的情绪状态。当神经放电密度迅速增加时，人工神经系统被诱导成惊愕情绪90A。如果增加速率稍稍放慢，则所诱导的情绪是恐惧90B。最后，如果增加速率足够慢而可供人工神经系统管理，则所诱导的情绪是感兴趣90C。

作为一个示例，神经放电密度非常突然的增加可引起惊愕90A的体验。当神经放电密度随时间推移以更慢的速率增加时，可诱导恐惧90B的情绪状态，因为人工神经系统不能应付增加的刺激。与此同时，如果神经放电密度随时间推移而增加但速率可管理，则诱导感兴趣90C的情绪状态。

持续刺激也影响情绪状态。高水平的持续刺激输入可诱导愤怒90D的情绪状态。略微更低水平的持续刺激输入可诱导90E的情绪状态。在一些实施方案中，任何种类的持续刺激输入都会引起负性情绪状态，而不论刺激输入的特征如何。例如，即使悦耳的旋律在长时间持续播放时也可能诱导愤怒或沮丧。同样，反复受到相同称赞也可能引起人工神经系统体验到愤怒和沮丧的感觉。

在一个实施方案中，神经放电密度的减小与正性情绪相关联。例如，可诱导喜悦90F的情绪状态。人工神经系统可在神经放电减小时体验到喜悦，神经放电减小使其不太会因刺激而感到不堪重负。

图4E是示出身体或人工神经系统中的预测误差的神经密度可为先天情绪触发因子的示意图。在一个实施方案中，预测误差是无量纲刺激输入。映射函数可单调地将高量预测误差映射到高密度神经放电并且将低量预测误差映射到低密度神经放电。在一些实施方案中，如果预测误差不减小，则人工神经系统会变得沮丧并且表现出引起新求解方法的扰动行为。类似地，如果预测误差的变化可管理，则动物表现出感兴趣。

在一个实施方案中，人工神经系统在第一时间接收作为输入的第一观察结果80A。该输入可为任何模态，诸如触觉的、视觉的、听觉的、嗅觉的或味觉的。该输入可具有正性、负性或中立效价，并且示例包括拍子、波浪、噪声、说话、呼喊、物理接近对象或身体部位、味道、气味、声音、音乐或旋律等等。该输入可包括关于环境的观察结果。输入80A可以是预测器82的输入，该预测器可以是基于输入80A来作出预测84的机器学习模型。在一些实施方案中，预测器82包括一个或多个神经元，诸如神经网络。在一些实施方案中，预测84包括基于输入80A将发生什么的预测。预测器82可任选地在生成预测84时考虑人工神经系统的行为。

在第二时间，人工神经系统可接收第二观察结果80B。第二观察结果80B可包括关于世界的状态的真实观察结果(ground truth observation)。人工神经系统可执行误差计算86以计算真实结果(ground truth)将是什么的预测84和第二观察结果80B之间的误差。例如，误差计算86可以是从预测84减去第二观察结果80B的减法运算或其他误差计算诸如最小二乘法。这计算预测误差88，其是度量预测84的误差的值。

预测误差88包括用于模态独立活动模式43A触发区域的刺激输入。

作为刺激输入，预测误差88可影响神经放电密度，从而根据模态独立活动模式影响人工神经系统中的情绪。对于曲线图90而言，在预测误差88的上下文中，预测84与真实观察结果80B差异越大，神经放电的活动越密集。

随时间推移的预测误差88的变化率可影响所诱导的情绪状态。当预测误差88迅速增加时，人工神经系统被诱导成惊愕情绪90A。如果增加速率稍稍放慢，则所诱导的情绪是恐惧90B。最后，如果增加速率足够慢而可供人工神经系统管理，则所诱导的情绪是感兴趣90C。

作为一个示例，预测和所观察到的真实结果之间非常突然的差异可引起惊愕90A的体验。当预测和所观察到的现实之间的差异随时间推移以更慢的速率增加时，可诱导恐惧90B的情绪状态，因为人工神经系统观察到预期和现实之间迅速增加的差异并且不能理解或控制所观察到的现实。与此同时，如果预测和所观察到的真实结果之间的差异随时间推移而增加但速率可管理，则诱导感兴趣90C的情绪状态。人工神经系统对预测结果和真实结果之间所体验到的差异感兴趣和好奇。

持续预测误差88也影响情绪状态。高水平的持续预测误差88可诱导愤怒90D的情绪状态。略微更低水平的持续预测误差88可诱导90E的情绪状态。始终对世界作出错误预测可引起愤怒或沮丧。

在一个实施方案中，预测误差88的减小与正性情绪相关联。随时间推移的预测误差88的减小可诱导喜悦90F，其中人工神经系统感到环境已变得更可预测或其具有更好的理解和预测结果的能力。

图4F是示出情绪状态的变化可如何诱导人工神经系统尝试一种或多种新求解方法的示意图94。当前状态92表示世界的当前状态，其可包括一个或多个外部对象的状态和人工神经系统的物理状态。人工神经系统可通过其行为来影响当前状态92。当前状态92处于局部最小值94A，并且人工神经系统的目标是达到包括解状态的全局最小值94B。当预测误差88保持为高时，人工神经系统体验到愤怒90D或沮丧90E并且使人工神经系统在环境中表现出来。人工神经系统的环境扰动可迅速改变当前状态92并且沿斜坡94C上升以达到全局最小值94B。另外，当人工神经系统处于感兴趣或好奇状态时，人工神经系统可与环境交互并且扰动当前状态92以达到全局最小值94B。在一些实施方案中，人工神经系统为达到更佳解状态而对当前状态92的扰动可对应于或近似于模拟退火。模拟退火是用于逼近函数的全局最优值的概率方法。

图5A是根据各种实施方案的硬件模块50A的框图，该硬件模块可包括一个或多个数据处理模块A1至N1、A2至N2、A3至N3、12A至12Z以及模块30A、30B。模块50A可包括耦接到存储器模块54的处理器模块52。在一个实施方案中，存储器模块54和处理器模块52可存在于单个芯片上。处理器模块52可处理处理器52或存储器模块54所存储的指令以执行一个或多个A1至N1、A2至N2、A3至N3、12A至12Z以及模块30A、30B的功能。处理器模块52可进一步处理处理器52或存储器模块54所存储的指令以在网络上传送数据或数据向量。

图5B是根据各种实施方案的系统50B的框图，用户可采用该系统来控制人工神经系统的操作并且向模型70A、70B提供输入，或运行模拟化身70A、70B的一个或多个输入的程序。系统50B可包括耦接到存储器模块54的处理器模块52。在一个实施方案中，存储器模块54和处理器模块52可存在于单个芯片上。处理器模块52可处理处理器52或存储器模块54所存储的指令以执行各种功能。处理器模块52可进一步处理处理器52或存储器模块54所存储的指令以在网络上传送数据或数据向量。系统50B还可包括数字输入模块56和数字输出模块58。数字输入模块56可使用户能够提供各种输入(包括神经输入、感官输入)并且控制如所述的一个或多个化身70A、70B的其他操作。数字输出模块58可生成可在屏幕60A上显示或控制化身70B的解剖表示的信号。

本文所公开的发明可在用于创建并动画化具体化主体或化身的神经行为建模框架的上下文内使用，这公开于US10181213B2(其也转让给本发明的受让人)中，并且以引用方式并入本文。

应当理解，虽然情绪系统和行为已在哺乳动物模型的上下文中描述，但情绪系统和行为可被抽象化并且在其他生物体或化身的模型中使用或与生物体模型分开使用。即，它们可用于抽象化的神经系统，诸如不连接到化身的完全人工神经系统。

根据架构10的架构师的需要并在对于各种实施方案的特定实现适当的情况下，这些模块可包括硬件电路、单处理器电路或多处理器电路、存储器电路、软件程序模块和对象、固件以及它们的组合。各种实施方案的装置和系统可用于除销售架构配置之外的应用。它们并不旨在用作可能利用本文所述的结构的装置和系统的所有元件和特征的完整描述。

可包括各种实施方案的新型装置和系统的应用包括高速计算机中使用的电子电路、通信和信号处理电路、调制解调器、单处理器模块或多处理器模块、单个或多个嵌入式处理器、数据开关以及专用模块(包括多层、多芯片模块)。此类装置和系统可进一步作为子部件包括于多种电子系统内并可耦接到该多种电子系统，诸如电视、蜂窝电话、个人计算机(例如，膝上型计算机、台式计算机、手持式计算机、平板计算机等)、工作站、无线电、视频播放器、音频播放器(例如，mp3播放器)、车辆、医疗设备(例如，心脏监测器、血压监测器等)及其他电子系统。一些实施方案可包括多种方法。

可以以除所描述的顺序之外的顺序执行本文所述的活动。相对于本文所识别的方法描述的各种活动可以以重复、串行或并行方式执行。软件程序可以从基于计算机的系统中的计算机可读介质启动，以执行软件程序中定义的功能。可以采用各种编程语言来创建被设计为实现和执行本文所公开的方法的软件程序。可以使用面向对象的格式(诸如Java或C )以面向对象的格式构造程序。另选地，可以使用过程语言(诸如汇编或C)以面向过程的格式构造程序。软件部件可以使用本领域技术人员熟知的多种机制进行通信，诸如应用程序接口或进程间通信技术，包括远程过程调用。各种实施方案的教导内容不限于任何特定编程语言或环境。

形成本文一部分的附图通过说明而非限制的方式示出了可以实践主题的具体实施方案。足够详细地描述了所示的实施方案，以使本领域技术人员能够实践本文所公开的教导内容。可以利用并从中得出其他实施方案，使得可以在不脱离本公开的范围的情况下进行结构和逻辑替换和改变。因此，该具体实施方式不应被认为是限制性的，并且各种实施方案的范围仅由所附权利要求以及这些权利要求所授权的等同物的全部范围来限定。

本发明主题的此类实施方案可以仅仅为了方便而在本文中单独地或共同地由术语“发明”来指代，而不旨在将本申请的范围自愿地限制于任何单个发明或发明构思(如果实际上公开了多于一个)。因此，尽管本文已经示出和描述了特定实施方案，但是为实现相同目的而计算的任何布置可以代替所示的特定实施方案。本公开旨在涵盖各种实施方案的任何和所有修改或变化。在阅读以上描述后，上述实施方案和本文未具体描述的其他实施方案的组合对于本领域技术人员而言将是显而易见的。

提供了本公开的摘要以符合37C.F.R.§1.72(b)，其要求将允许读者快速确定本技术公开的性质的摘要。提交摘要的同时要明白，将不用它来解释或限制权利要求的范围或含义。在上述具体实施方式中，出于精简本公开的目的而将各种特征一起分组在单个实施方案中。此公开方法不应被解释为需要比每个权利要求中明确陈述的更多的特征。相反，本发明主题可见于单个所公开的实施方案的少于所有特征中。因此，据此将以下权利要求并入具体实施方式中，其中每个权利要求独立地代表一个单独的实施方案。