Neuronas nebūtinai: Nervinis tinklas sukurti įvaizdį, kad veikia smegenis tiesiogiai

Jūs matote, kad aukščiau esančiame paveikslėlyje? Su šio keisto įvaizdžio MIT neurologai galėjo aktyvuoti atskirus neuronus smegenų. Naudojant geriausius prieinamus gamybos modelis vizualiai neuroninio tinklo smegenų, mokslininkai sukūrė naują būdą tiksliai kontroliuoti atskirus neuronus ir jų gyventojus tinklo viduryje. Per bandymus su gyvūnais komanda parodė, kad gauta informacija iš kompiuterio modelį, leidžiant jiems sukurti vaizdus, ​​kurie stipriai aktyvuoti tam tikras neuronų smegenyse.

Mokslininkai, iš tiesų, gauti būdas pasiekti smegenis per paveikslą "tiesiogiai" be išgyvena ilgą kelią vaizdo aiškinimo. Bet prieš jums galvoti apie dystopian ateityje, kurioje mes iš tikrųjų Zombie televiziją, tegul mus visus iš eilės.

Tai tikrai didelis laimėjimas

Pagrindinės darbo išvados - esami skaičiavimo modeliai vizualiai versija neyrosistem gana panašus į realaus dalyko, todėl jie gali būti naudojami stebėti gyvūnų smegenų būklę. Kaip tiksliai yra šie modeliai imituoti regėjimo žievės operacija - tai yra labai karštų diskusijų reikalas, sako Jamesas DiCarlo, iš smegenų ir pažinimo mokslus MIT, vyresnysis tyrimo autorius, kuris pasirodė žurnale "Science" gegužės 2 skyriaus vadovas.

"Žmonės jau seniai abejojo, ar šie modeliai Pateikite regos sistemos supratimą," sako jis. "Vietoj to, kad apie tai akademinės mes parodėme, kad šie modeliai yra jau pakankamai galinga, kad būtų galima juos naudoti naujų ir svarbiausių būdų. Nepriklausomai nuo to, ar jūs suprantate, kaip šis modelis dirba, ar ne, tam tikra prasme, ji turi naudą "

Kitaip tariant, nesvarbu, kiek apskaičiavimo modelis regos sistemos smegenų - svarbu, kad mes galime jį naudoti, ji yra gana tikslūs, ir kad nauji eksperimentai gali būti sukurta remiantis juo. Tai pirmasis rezultatas darbą, kurį reikia atsižvelgti.

neuronai kontroliuoti per atvaizdo - tai yra įmanoma, kad

Per pastaruosius kelerius metus, DiCarlo ir kiti sukūrė remiantis dirbtinis neuroninis tinklas modelio regos sistemos. Kiekviena grandinės prasideda su tyčiniais architektūros, sudarytas iš neuronų, arba mazgų modelį, kuris gali būti sujungti įvairių rodiklių pajėgų arba "masės".

Tada mokslininkai mokomi modelio biblioteką daugiau nei 1 mln vaizdų. Žvelgiant per kiekvieną vaizdą ir ženklinti svarbiausią objektą vaizde - orlaivio ar kėdė, pavyzdžiui - modelis išmoksta atpažinti objektus keičiant junginių stiprumą. Sunku tiksliai nustatyti, kaip modelis pasiekia Toks pripažinimas, bet DiCarlo ir jo kolegos jau anksčiau parodė, kad "neuronai" šių modelių sukurti veiklos modelį, labai panašų į tą, kuris pastebėtas regėjimo žievės gyvūnų reakcijos į tuos pačius vaizdus. Tai reiškia, kad tinklas yra tarsi bando išmokti galvoti ar pamatyti tikrai.

Į naują tyrimą, mokslininkai norėjo išbandyti, ar jų modelis atlikti tam tikras užduotis, kad anksčiau nebuvo įrodytas. Visų pirma, jie buvo suinteresuoti, ar galite naudoti šiuos modelius kontroliuoti neuronų veiklą regėjimo žievės gyvūnų.

"Iki šiol mes bandėme nuspėti naudojant šiuos modelius, kokie yra neuroniniai atsakymai į kitus dirgiklius, kuriuos jie dar nematėte anksčiau," sako jis. "Pagrindinis skirtumas yra tas, kad mes žengti dar vieną žingsnį ir naudoti modelį, kad neuronų į norimą būklę"

Siekiant šio tikslo, mokslininkai pirmą kartą sukūrė tikslią žemėlapį "vienas prie vieno" smegenų neuronų vizualiųjų sričių iš V4 mazgų skaičiavimo modelio smegenis. Jie tai padarė parodant gyvūnų paveikslėliai ir modelių ir lyginant savo atsakymus į tuos pačius vaizdus. Atsižvelgiant V4 Neuronai milijonų srityje, tačiau šiame tyrime buvo sukurta subpopuliacijas kortelę su 5 - 40 neuronų vienu metu.

"Kai kiekvienas neuronas gauna paskyrimą, modelis leidžia daryti prognozes apie neurono, sako DiCarlo.

Mokslininkai tada nusprendė išsiaiškinti, ar jie gali naudoti šias prognozes kontroliuoti atskirų neuronų veiklą regėjimo žievės. Pirmasis tipas kontrolės, kurią jie pavadino "ruožas", apima vaizdo ekraną, kuris rodo, kad konkretaus neurono už veiklos aktyvumą, paprastai vadinami "natūralūs" vaizdus, ​​pavyzdžiui, tuos, kurie naudojami mokyti neuroninius tinklus.

Mokslininkai nustatė, kad kai gyvūnai įrodyti tokius "sintetiniai" vaizdus, ​​kurie sukurtų modelių, o ne panašūs gamtos objektus, tikslinės neuronai reaguoja taip, kaip tikėtasi. Vidutiniškai neuronai parodė apie 40 procentų daugiau veiklos, atsižvelgiant į šių vaizdų, nei kai jie parodė gamtos vaizdus. Ši kontrolės rūšis niekas niekada pasiekė anksčiau.

"Tas faktas, kad jie sugebėjo padaryti tai nuostabu. Nuo Atsižvelgiant į neuroną, jei paaiškėja, kad būti puikus vaizdas jo fokusavimo tašką. Neuronas staiga suteikti stimulą, kad jis visada buvo ieškote, Aaronas sako Batista docentas bioinžinerijos Pitsburgo universiteto, kuris nedalyvavo šiame tyrime. "Tai puiki idėja ir ją įgyvendinti - gana feat. Turbūt labiausiai galingas įrodymų apie būtinybę naudoti dirbtiniai neuroniniai tinklai dėl šių neuroninių tinklų supratimo. "

Tik pagalvokite: mokslininkai sukūrė paprastą (dar) vaizdo generatorių, sukelia tam tikrą poveikį gyvūno smegenis (dar). Teoriškai - iki šiol tik teoriškai - gali sukurti "geriausią" įvaizdį hormonų reguliavimo emisijos, tam tikrų prisiminimų kūrimo, žmogaus veiksmų programavimas - nes viskas yra neuronų rezultatas. Paveikslėlyje sukūrė neuroninio tinklo, kuris niekas niekada nėra matęs ir kurie tik galės neuroninio tinklo, suprasti vidinį veikimą smegenyse ir gali išgydyti ir nužudyti. Panašiu serijos eksperimentų, mokslininkai bandė sukurti vaizdus, ​​kurie yra tarsi "paimtas" iš paties neurono, tuo pačiu metu išlaikant kaimyninių neuronų aktyvumą labai žemo lygio, kuris yra jau sunkiau. Su tirtų neuronų dauguma, mokslininkai galėjo padidinti tikslinės neurono aktyvumas šiek tiek išaugo aplinkinių neuronų.

"Bendra tendencija neurologijos, kad eksperimentinių duomenų ir kompiuterinį modeliavimą kolekcija atlikta šiek tiek atskirai, todėl neįmanoma iš esmės patvirtina modelį, todėl nėra išmatuojami pažanga. Mūsų pastangos, kad grįžtumėte į gyvenimo požiūrio "uždarojo ciklo", sakė mokslininkai. Tai svarbu statybinių ir testavimo modelių sėkmės, kuri bus panaši į smegenis labiausiai.

matavimo tikslumas

Mokslininkai taip pat parodė, kad jie gali naudoti savo modelį prognozuoti, kaip V4 regionas neuronų būtų reaguoti į susintetintas vaizdas - kaip vienas iš aukščiau. Dauguma ankstesnių bandymų modelis, naudojamas tos pačios rūšies natūralistinių vaizdų, dėl kurių buvo apmokyti modelis. Mokslininkai MIT nustatė, kad modelis su 54% tikslumu prognozuoti, kaip smegenys turi reaguoti į susintetintas vaizdas, ir su 90% tikslumu prognozuoti, kaip smegenys reaguoja į gamtos vaizdus.

"Tam tikra prasme, mes kiekybiškai įvertinti, kaip tiksliai šie modeliai prognozuoja, kad srityje, kurioje jie buvo apmokyti išorę", sako vienas iš tyrėjų. "Geriausia būtų, kad modelis turėtų galėti tiksliai prognozuoti reagavimą, nepriklausomai nuo įėjimo signalo."

Dabar mokslininkai tikisi pagerinti modelių tikslumą, leidžiant jiems yra naujos informacijos, kad jie suvokia, žvelgdamas į susintetintas vaizdas. Tyrimas nėra taikomas. Paprasčiau tariant, modelis išmoks jų pačių sukurto vaizdų. Ši kontrolės rūšis yra naudinga neurologai, kurie nori sužinoti, kaip skiriasi neuronai bendrauti ir bendrauti vieniems su kitais. Be to, šis metodas yra potencialiai naudinga gauti problemų su nuotaika, tokių kaip depresija. Dabar mokslininkai dirba plečia savo modelį su prastesnės laiko (inferotemporalnoy) žievės, kuri yra tiekiama į migdolinio kūno, dalyvauja perdirbimo emocijas.

"Jei mes turėjome gerą modelį neurono, kuri apims emocijų bangą ir sukelti įvairių sutrikimų, mes galime naudoti šį modelį kontroliuoti neuronų ir taip padėti sumažinti šiuos sutrikimus."

Aptarti šį neįtikėtiną atradimą dabar galima mūsų čate telegrama.