Видеть и лес, и деревья. Новая модель мозга, созданная на основе искусственного интеллекта, раскрывает природу обучения

Когда речь идет про моделирование работы мозга, то возникает проблема «не видеть лес за деревьями». Модель каждого, взятого по отдельности нейрона, может работать достаточно хорошо. Можно даже связать их в достаточно стабильную нейронную цепь. Но дальнейшее моделирование «поведения, близкого к реальному», становится вызовом. До сегодняшнего дня.

Ученые создали биологически обоснованную вычислительную модель, которая имитирует реальные нейронные цепи. Модель создавалась людьми «вручную», на основе собранных научных данных. Её специально НЕ обучали на животных. А вот цель была как раз в том, чтобы модель освоила задачу визуальной категоризации, и чтобы выполнение этой задачи соответствовало тому, как эту же задачу решают настоящие лабораторные животные. Ключевые параметры задачи: точность, изменчивость и лежащие в основе нейронные ритмы.

Используя заложенные правила в работе синапсов и учитывая крупномасштабную архитектуру коры головного мозга, полосатое тело, ствол мозга и системы, модулируемые ацетилхолином, модель воспроизвела конкретные паттерны обучения, включая усиление синхронизации между разными областями во время принятия правильных решений. А, как мы знаем, именно синхронизация мозга лежит в основе мышления.

Также было выявлено множество «несоответствующих нейронов», которые предсказывали ошибки в обучении. Сигнал, полученный из искусственной модели, исследователи распознали в данных, полученных от животных. А распознать его удалось только после того, как модель его выявила.

Таким образом, эта биомиметическая платформа стала мощной моделью для изучения изменений в нейронных сетях, связанных с заболеваниями. А также идеальным плацдармом для тестирования терапевтических вмешательств in silico, открывая новый путь для разработки нейротерапевтических препаратов следующего поколения.

Ключевые факты для понимания использования нейросетей в моделировании работы мозга

Я прекрасно понимаю, что материал специфический. Поэтому в этом разделе, согласно с новой традицией статей, будет дана краткая развертка терминов. Они помогут проще понять суть статьи, в чем её новизна и потенциал.

Биологический подход к проектированию: модель построена на основе реальных правил связности нейронов, динамике передачи нейромедиаторов и архитектуре биологических вычислений.

Эмергентный реализм: свойство модели воспроизводить поведение при обучении. А именно, бета-синхронизацию и схемы принятия решений, аналогичные тем, что наблюдались у лабораторных животных. Это при том, что система обучалась БЕЗ биологических наборов данных.

Раскрытые скрытые сигналы: открытие «несогласованных нейронов» выявляет ранее не замеченную активность, предсказывающую ошибки. И эта же активность наблюдается и в реальном мозге.

Источник: Институт Пиковера Массачусетского технологического института

Искусственный интеллект и лабораторные модели животных

Новая вычислительная модель мозга, основанная на базовой биологии и физиологии, выполнила две основные задачи. В первую очередь, модель, точно так же, как и лабораторные животные, освоила простую задачу визуального категорического обучения. А во вторую очередь, модель выявила нетипичную активность группы нейронов, которую исследователи, работавшие с животными над выполнением той же задачи, ранее не замечали в своих данных.

С моделью работала группа ученых из Дартмутского колледжа, Массачусетского технологического института и Государственного университета Нью-Йорка в Стоуни-Брук.

Ключевое достижение в том, что модель принципиально не обучали на данных экспериментов на животных. Вместо этого модель создали с нуля, чтобы точно воспроизвести процесс объединения нейронов в единые цепи. А также исследовать обмен электрическими и химическими сигналами в более широких областях мозга, обеспечивающих когнитивные функции и поведение.

Исследовательская группа дала модели ту же задачу, которую ученые ранее выполняли с животными. Суть задачи в том, чтобы рассматривать узоры из точек и определять, к какой из двух более широких категорий относятся эти узоры. В этой задаче модель показала очень похожую нейронную активность и поведенческие результаты. Причем освоение навыка шло практически с тем же самым неравномерным паттерном прогресса, что и у животных.

Авторы исследования и их слово

Миллер, Грейнджер и другие члены исследовательской группы основали компанию Neuroblox.ai для разработки биотехнологических приложений на основе полученных моделей. Соавтор исследования Лилианна Р. Мухика-Пароди, профессор биомедицинской инженерии в Университете Стоуни-Брук и ведущий научный руководитель проекта Neuroblox, стала генеральным директором компании.

Искусственный интеллект и создание биомиметической модели мозга

Модель была разработана докторантом Дартмутского университета Анандом Патхаком и отличается от многих других моделей тем, что включает в себя одновременно и мелкие детали, такие как способы соединения отдельных пар нейронов, и крупномасштабную архитектуру, в том числе влияние нейрогормонов, таких как ацетилхолин, на обработку информации в разных участках мозга.

Ананд Патхак и его команда доработали конструкции так, чтобы те соответствовали ограничениям реального мозга. Например, тому, как нейроны синхронизируются под воздействием более широких ритмов.

Актуальные же модели конкурентов фокусируются только на малых или больших масштабах, но не на обоих одновременно. Из-за чего не видят «лес за деревьями».

Как работает искусственная нейросетевая модель мозга?

Метафорические «деревья», называемые в исследовании «примитивами», представляют собой небольшие цепи. Каждая такая цепь состоит из нескольких нейронов и соединяется на основе электрических и химических принципов работы реальных клеток. За счет чего и выполняет свои основные вычислительные функции.

Например, в модели коры головного мозга одна из примитивных структур содержит возбуждающие нейроны, которые получают входные сигналы от зрительной системы через синаптические связи, на которые воздействует нейромедиатор глутамат.

Затем эти возбуждающие нейроны синхронизируют активность с тормозящими нейронами, конкурируя за сигнал к отключению других возбуждающих нейронов. Вся эта архитектура работает по принципу «победитель забирает всё», она характерна для всего мозга и регулирует всю обработку информации.

Моделирование обучения и помех при обучении

В более крупном масштабе модель охватывает четыре области мозга, необходимые для выполнения основных задач обучения и памяти: кору головного мозга, ствол мозга, полосатое тело и структуру «тонически активного нейрона» (ТАН), которая вносит небольшой «шум» в систему посредством всплесков ацетилхолина.

Например, когда модель приступала к задаче классификации тех самых узоров из точек, TAN сначала работала во благо, поддерживая вариативность в обработке визуальных данных, чтобы модель могла обучаться, исследуя различные варианты и возможные результаты.

По мере обучения модели, цепи коры головного мозга и полосатого тела усиливали связи, подавляющие TAN, что позволяло модели действовать на основе полученных знаний с возрастающей согласованностью.

При этом, в процессе обучения модели проявлялись свойства, характерные для реального мира. При этом включая паттерны, которые полностью эквивалентны исследованиям на животных. По мере обучения кора головного мозга и полосатое тело становились все более синхронизированными в бета-диапазоне частот мозговых ритмов. И эта возросшая синхронность коррелировала с моментами, когда модель (и животные) правильно определяли категорию увиденного.

Выявление «несоответствующих» нейронов

Но модель также выделила группу нейронов, около 20 процентов, активность которых, предсказывала вероятность ошибок. Когда эти так называемые «несогласованные» нейроны влияли на нейронные цепи, модель выдавала неверную категоризацию. По словам ученых, сначала они решили, что это особенность модели. Но затем они изучили данные о реальном мозге, собранные лабораторией Миллера, когда животные выполняли ту же задачу.

Миллер сказал, что эти нелогичные клетки могут выполнять определенную функцию в другой ситуации. Ведь они ухудшают результат при выполнении конкретной задачи, но что, если эти правила изменятся? Другие эксперименты с альтернативными вариантами приведут к тому, что мозг столкнется с новым набором условий.

Хоть модель и превзошла ожидания команды, ученые отметили, что группа расширяет её, чтобы сделать достаточно сложной для решения более разнообразных задач и в различных условиях. Например, они добавили больше участков мозга и новые нейрогормоны. Они также начали тестировать, как вмешательства препаратов влияют на её динамику.

Финансирование: исследование было поддержано Фондом исследований мозга Басзуки (США), Управлением военно-морских исследований и фондом Freedom Together Foundation.

Ответы на ключевые вопросы

В: Насколько точно биомиметическая модель соответствовала реальному поведению животных?

О: Она освоила задачу визуальной категоризации с практически такими же паттернами прогресса, нейронной активности и динамики обучения, как и животные. Причем без обучения на биологических данных.

В: Какую новую закономерность выявила модель?

О: Модель выявила популяцию «несоответствующих нейронов», активность которых приводила к ошибкам. Когда исследователи проверили старые данные, полученные на животных, обнаружилась та же закономерность, которая была незамеченной.

В: Почему эта модель важна для нейронауки и терапии?

О: Это готовая платформа для исследования процессов в мозге, моделирования патологических состояний и тестирования нейротерапевтических средств перед переходом к рискованным и дорогостоящим клиническим испытаниям.

Традиционно, больше материалов про мозг, психику и сознание, а также про инструменты, с помощью которых можно вмешаться в их работу, вы найдете в сообществе Neural Hack. Заглядывайте, чтобы держать под рукой полезный и практичный контент!