Исследовательская группа из Стэнфордского института нейронаук Ву Цай добилась большого прогресса в использовании искусственного интеллекта для воспроизведения того, как мозг организует сенсорную информацию для понимания мира, открывая новые горизонты для виртуальной нейробиологии.

Наблюдайте, как тикают секунды на часах, и в зрительных областях вашего мозга соседние группы нейронов, селективных по углу, срабатывают последовательно, когда секундная стрелка движется по циферблату. Эти ячейки образуют красивые карты-вертушки, каждый сегмент которых представляет визуальное восприятие под разным углом. Другие зрительные области мозга содержат карты более сложных и абстрактных визуальных особенностей, таких как различие между изображениями знакомых лиц и мест, которые активируют отдельные нейронные «районы».

Такие функциональные карты можно найти по всему мозгу, что одновременно радует и сбивает с толку нейробиологов, которые давно задаются вопросом, почему мозг развил структуру, подобную карте, которую может наблюдать только современная наука.

Чтобы ответить на этот вопрос, команда из Стэнфорда разработала новый тип алгоритма ИИ — топографическую глубокую искусственную нейронную сеть (TDANN), которая использует всего два правила: натуралистические сенсорные входные данные и пространственные ограничения на соединения; и обнаружили, что он успешно предсказывает как сенсорные реакции, так и пространственную организацию множества частей зрительной системы человеческого мозга.

После семи лет обширных исследований результаты были опубликованы в новой статье — «Объединяющая структура функциональной организации в ранней и высшей вентральной зрительной коре» — 10 мая в журнале Neuron.

Исследовательскую группу возглавил научный сотрудник факультета Института нейронаук Ву Цай Дэн Яминс, доцент кафедры психологии и информатики; и филиал института Каланит Гриль-Спектор, профессор психологии.

В отличие от обычных нейронных сетей, TDANN включает в себя пространственные ограничения, располагая виртуальные нейроны на двумерном «кортикальном листе» и требуя, чтобы близлежащие нейроны разделяли одинаковые реакции на сенсорные сигналы.

Когда модель научилась обрабатывать изображения, эта топографическая структура заставила ее формировать пространственные карты, повторяя то, как нейроны мозга организуются в ответ на визуальные стимулы. В частности, модель воспроизводила сложные паттерны, такие как структуры «вертушки» в первичной зрительной коре (V1) и кластеры нейронов в высшей вентральной височной коре (VTC), которые реагируют на такие категории, как лица или места.

Эшед Маргалит, ведущий автор исследования, получивший докторскую степень. Работая с Yamins и Grill-Spector, сказал, что команда использовала подходы к обучению с самоконтролем, чтобы повысить точность моделей обучения, имитирующих мозг.

«Возможно, это больше похоже на то, как дети познают визуальный мир», — сказал Маргалит. «Я не думаю, что мы изначально ожидали, что это окажет такое большое влияние на точность обученных моделей, но вам действительно нужно правильно поставить задачу обучения сети, чтобы она стала хорошей моделью мозга».

Полностью обучаемая модель поможет нейробиологам лучше понять правила организации мозга, будь то зрение, как в этом исследовании, или другие сенсорные системы, такие как слух.

«Когда мозг пытается узнать что-то о мире — например, увидеть два снимка человека — он помещает нейроны, которые реагируют одинаково, в мозг и отображает форму», — сказала Грилл-Спектор, которая является Сьюзен С. и Уильямом. Х. Хиндл, профессор Школы гуманитарных наук. «Мы считаем, что этот принцип должен быть применим и к другим системам».

Этот инновационный подход имеет важное значение как для нейробиологии, так и для искусственного интеллекта . Нейробиологам TDANN предоставляет новую возможность изучить, как развивается и функционирует зрительная кора, что потенциально изменит методы лечения неврологических расстройств. Для ИИ знания, полученные на основе организации мозга, могут привести к созданию более сложных систем визуальной обработки, сродни обучению компьютеров «видеть», как это делают люди.

Полученные результаты также могут помочь объяснить, как человеческий мозг работает с такой невероятной энергоэффективностью. Например, человеческий мозг может выполнить миллиард миллиардов математических операций, потребляя всего 20 Вт мощности, по сравнению с суперкомпьютером, которому для выполнения тех же математических вычислений требуется в миллион раз больше энергии.

Новые результаты подчеркивают, что карты нейронов — и пространственные или топографические ограничения, которые ими управляют, — вероятно, служат для того, чтобы сделать проводку, соединяющую 100 миллиардов нейронов мозга, максимально простой. Эти открытия могут стать ключом к созданию более эффективных искусственных систем, вдохновленных элегантностью мозга.

«ИИ ограничен силой», — сказал Яминс. «В долгосрочной перспективе, если бы люди знали, как запускать искусственные системы с гораздо меньшим энергопотреблением, это могло бы способствовать развитию искусственного интеллекта».

Более энергоэффективный ИИ может способствовать развитию виртуальной нейронауки, где эксперименты можно будет проводить быстрее и в большем масштабе. В своем исследовании исследователи продемонстрировали в качестве доказательства принципа, что их топографическая глубокая искусственная нейронная сеть воспроизводит реакции мозга на широкий спектр натуралистических визуальных стимулов, предполагая, что такие системы в будущем можно будет использовать в качестве быстрых и недорогих игровых площадок. для прототипирования нейробиологических экспериментов и быстрого выявления гипотез для будущих испытаний.

Виртуальные нейробиологические эксперименты также могут улучшить медицинскую помощь людям. Например, более эффективное обучение искусственной зрительной системы таким же образом, как ребенок визуально познает мир, может помочь ИИ видеть мир, как человек, где центр взгляда острее, чем остальная часть поля зрения. Другое приложение могло бы помочь разработать протезы для зрения или точно смоделировать, как болезни и травмы влияют на части мозга.

«Если вы сможете делать такие вещи, как прогнозирование, которое поможет разработать протезы для людей, потерявших зрение, я думаю, это будет действительно потрясающе», — сказал Грилл-Спектор.