Science重磅:史上首次,MIT研究用AI控制动物大脑活动}

来自新浪网:   创建时间:2019-05-13 03:56   33人评论

神经网络模子设计了这些图像,它们能够刺激单个神经元的举止

钛媒体注:本文来自于公家号新智元(AI_era),作者为肖琴,钛媒体经授权公布。

这不是科幻:人工神经网络能够用来掌握动物的大脑举止了!

5月2日刊登在Science杂志的一篇论文中,来自MIT的三位神经科学家对模仿大脑视觉皮层的计较模子进行了迄今为止最严酷的测试。

三位作者划分是MI大脑与认知科学系的责人、麦戈文脑钻研观察员James iCarlo,以及士后钻研员Pouy Bashivan Bashivan和Kohitij Kar。

他们行使当前最佳的大脑视觉神经网络模子,设计了一种新要领来切确地掌握单个神经元和位于网络中心的神经元群。

在一项动物钻研中,钻研团队随后评释,他们行使从计较模子中获取的信息确立了少许图像,这些图像能够猛烈地激活所选择的大脑神经元。

详细来说,Bashvan等人确立了一人工神经网络来模仿标视觉体系的举动,用它来构建图像,这图像要么能够宽泛地活大批神经元,要么择性地激活一个神经择性地激活一个神经元群,同时连结其余神经元固定。

神经网络模子设计了这些图像,它们能够刺激单个神经元的举止

然后,他们阐发了这图像在猕猴视觉皮层生预期结果的有用性后果表现,这些操纵很强的结果,并对神元群发生了相配大的择性影响。行使这些像,神经网络被证实像,神经网络被证实能够再现动物神经反馈的团体举动。

钻研后果评释,这些模子与大脑很是类似,能够用来掌握动物的大脑状况。

James DiCrlo表示,这项新究有助于断定视觉模在脑科学钻研中的有性。此前,对于这类觉模子是否切确地模了视觉皮层的事情方了视觉皮层的事情体例存在猛烈的争辩。

James DiCarlo

“人们怀疑这些模子否能够提供对视觉系的明白,”Jame DiCarlo说“咱们没有在学术意上争辩这个题目,而证实了这些模子曾经够壮大,能够支持一紧张的新运用。不论否明白这个模子的作道理,从这个意思作道理,从这个意思上说,它曾经很有用了。”

练习神经网络,4步神经掌握试验

在从前几年里,Diarlo等人开辟了于人工神经网络的视体系模子。每个网络以一个由模子神经元model neuons)或节点(ndes)组成的随便构滥觞,这些神经元节点能够以不同的强节点能够以不同的强度(也称为权重)互相连接。

然后,钻研职员用一包含跨越100万张像的库中练习这些模。当钻研职员向模子示每张图像,以及图中最突出的物体(比飞机或椅子)的标签,模子经历改变连接,模子经历改变连接的强度来学习辨认物体。

很难切确地打听这个型是若何实现这种识的,但是DiCaro和他的同事以前已证实,这些模子中的神经元”发生的举止式与动物视觉皮层响式与动物视觉皮层相应相像图像时的举止形式很是类似。

在这项新钻研中,研职员想要测试他们的型是否能够实行少许前还未被证实的使命分外是,他们想看看些模子是否能够用来些模子是否能够用来掌握动物视觉皮层的神经举止。

他们进行了几个闭环神经心理学试验:在模子神经元与每个记的大脑神经位置般配后,应用该模子合成斩新的“掌握器”(斩新的“掌握器”(controller)图像。

合成程序概述

如上图所示,神经掌握试验分四步实现:

(1)经历练习大批标志的天然图像来优化神经网络的参数;

(2)ANN “神经元” 被映射到每个记录的 V4 神经位点,组成可计较的展望模子。

(3)然后将获得的模子用于合成单个位点或群体掌握的 “掌握器” 图像。

(4)末了由试验者将由这些图像指定的发光形式运用于受试者的视网膜,并测量神经部位的掌握程度。

上图(D)表现了猴 M(黑色),猴 N(血色)和猴 S(蓝色)大脑中神经位点的感觉野。

然后,钻研职员将这图像出现给每个受试,以测试模子掌握受者神经元的才气。在项测试中,他们请求型测试掌握每个神经,使其激活程度跨越平时观察到的最大激程度。钻研职员发现模子生产的合成刺激功地驱动了68%的功地驱动了68%的神经位点胜过了它们的天然观察激流程度。

单个神经掌握的一个示例

在令一项更严酷的测中,该模子表现,它够选择性地掌握全部经亚群,激活一个特的神经元,同时使其记录的神经元失活(记录的神经元失活(胜利率到达76%)。

神经元群的掌握

接下来,钻研职员使这些合成的contoller图像来研模子展望大脑反馈的力是否适合于这些图。他们发现该模子确相配切确,展望了5%的由图像惹起的大%的由图像惹起的大脑反馈形式,但它鲜明还不完善。

“到当前为止,对这模子所做的事情是预神经会对其余刺激产甚么反馈,这些刺激他们曩昔从未见过的”Bashivan:“此次的钻研要紧不同之处在于,咱们进了一步,行使这些进了一步,行使这些模子将神经元驱动到所需的状况。”

为了实现这一指标,究职员起首确立了大的视觉区域V4中的经元和计较模子中的点的一对一映射。他经历划分向动物和模展示图像,并对照它对相像图像的反馈来现这一点。V4区域数百万个神经元,但这项钻研中,钻研人这项钻研中,钻研职员每次为5到40个神经元的亚群确立映射。

DiCarlo说:“一旦每个神经元都有一个使命,这个模子就能够让你对那个神经元做出展望。”

然后,钻研职员滥觞究他们是否能行使这展望来掌握视觉皮层单个神经元的举止。一品种型的掌握,他称之为“拉伸”(sretching)即向试验者展示一幅像,该图像将驱动特神经元的举止,其强远远胜过平时由“自”图像激励的举止,这些“天然”图像与这些“天然”图像与用于练习神经网络的图像类似。

单个神经位点的最大驱动(拉伸)

钻研职员发现,当他向动物展示这些“合”图像时,指标神经的反馈与预期符合。些“合成”图像是由型生产的,不像天然体。平衡而言,神经对这些图像的反馈要对这些图像的反馈要比它们看到天然图像时活跃约40%。

这是科学家第一次实现这种掌握。

神经科学的一个普遍势是,试验数据网络计较建模在某种程度是自力进行的,招致罕见模子考证,是以有可测量的进展。这的事情使这种“闭环要领重现生机,同时行模子展望和神经测,这对胜利构建和测,这对胜利构建和测试最靠近大脑的模子至关紧张。

钻研职员还表示,他能够行使该模子来预V4区域的神经元对成图像的反馈。以前这些模子的大多数测都应用了与练习模子同的天然图像。MI的钻研团队发现,这模子在展望大脑对合图像的相应方面的准率约为54%,而使率约为54%,而应用天然图像时的切确率靠近90%。

Bashivan说“从某种意思上说,们正在量化这些模子练习畛域以外做出预的切确性。理想情况,无论输入是甚么,,无论输入是甚么,模子都应该能够切确展望。”

钻研职员有望在接下来的钻研中,经历让模子吸收他们从合成图像中学到的新信息来进步模子的切确性。

钻研职员表示,这种制大概对想要钻研不神经元之间若何互相用以及它们之间若何接的神经科学家有用未来,这种要领有助医治烦闷症等感情障。钻研职员当前正致于将他们的模子扩大下颞叶皮层,进来杏下颞叶皮层,进来杏仁核,这是介入感情处分的区域。

Bashivan说“要是咱们有一个很的神经元模子,这个型能够让咱们的神经介入体验感情,大概发种种百般的混乱,么咱们就能够用这个型来驱动神经元,从型来驱动神经元,从而赞助改进这些混乱。”

“他们胜利地做到了一点,真的很了不得就彷佛,起码对那个经元来说,它的理想像陡然造成核心,神元陡然被提供了它一在寻找的刺激,”匹堡大门生物工程副教Aaron Batsta评价道:“这一个了不得的年头,项了不得的豪举。这能是迄今为止,对令人工神经网络来明白人工神经网络来明白实在神经网络的最强有力的考证。”

参考链接:

http://nes.mit.edu今年/imprved-deep-eural-netork-visio-systems-ust-provie-feedbace-feedback-loops-0429

https://science.sciencemag.org/content/364/6439/eaav9436

24小时转动播报最新的财经资讯和视频,更多粉丝福利扫描二维码关注(sinafinance)