MIT Neurowissenschaftlern durchgeführt haben, die die strengsten Tests noch von rechenmodellen, die mimik des Gehirns visual cortex.
Mit Ihrer aktuellen best-Modell des Gehirns, die visuelle neuronale Netzwerk, das die Forscher entwickelt einen neuen Weg, um die präzise Steuerung von einzelnen Neuronen und neuronenpopulationen in der Mitte des Netzwerks. In einer Tier-Studie, die das team dann gezeigt, dass die gewonnenen Informationen aus dem Computer-Modell ermöglichte es Ihnen, Bilder zu erschaffen, die stark aktiviert bestimmte Nervenzellen im Gehirn Ihrer Wahl.
Die Ergebnisse deuten darauf hin, dass die aktuellen Versionen der beiden Modelle sind ähnlich genug, um das Gehirn, dass Sie verwendet werden könnten, um die Kontrolle Zustände des Gehirns bei Tieren. Die Studie hilft auch, sich zu etablieren, die Nützlichkeit dieser vision Modelle, die generiert werden leidenschaftliche Debatten über die Frage, ob Sie genau zu imitieren, wie der visuelle Kortex arbeitet, sagt James DiCarlo, der Leiter des MIT Department of Brain and Cognitive Sciences, ein Ermittler in der McGovern-Institut für Gehirn-Forschung und dem Zentrum für Gehirn, Geist und Maschine, und der senior-Autor der Studie.
„Die Leute haben gefragt, ob diese Modelle bieten Verständnis des visuellen Systems“, sagt er. „Anstatt die Debatte, die in einem akademischen Sinn, wir haben gezeigt, dass diese Modelle sind schon mächtig genug, um eine wichtige neue Anwendung. Ob Sie verstehen, wie das Modell funktioniert oder nicht, es ist schon sinnvoll in diesem Sinne.“
MIT postdocs Pouya Bashivan und Kohitij Kar sind die führenden Autoren des Papiers, das erscheint in der Mai-2 online-Ausgabe von Science.
Neuronale Kontrolle
In den letzten Jahren, DiCarlo und andere haben Modelle entwickelt, mit der das visuelle system basiert auf künstlichen neuronalen Netzwerken. Jedes Netzwerk beginnt mit einem beliebigen Architektur bestehend aus Modell-Neuronen oder Knoten, die angeschlossen werden können, mit verschiedenen stärken, auch als GEWICHTE.
Die Forscher dann Zug die Modelle auf eine Bibliothek von mehr als 1 Millionen Bilder. Wie die Forscher zeigen das Modell jedes Bild, zusammen mit einer Beschriftung für das prominenteste Objekt im Bild, wie ein Flugzeug oder ein Stuhl, das Modell lernt zu erkennen Objekte, indem Sie ändern die stärken seiner verbindungen.
Es ist schwierig, genau zu bestimmen, wie das Modell erreicht diese Art von Anerkennung, aber DiCarlo und seine Kollegen haben vorher gezeigt, dass die „Neuronen“ in diese Modelle zu produzieren Aktivität Muster sehr ähnlich zu denen, die gesehen werden in der Tier-visual cortex in Reaktion auf die Bilder gleichen.
In der neuen Studie wollten die Forscher testen, ob Ihre Modelle könnten einige Aufgaben, die bisher nicht nachgewiesen werden. Insbesondere, Sie wollte sehen, ob die Modelle, die verwendet werden könnten, um die Kontrolle neuronaler Aktivität im visuellen Kortex der Tiere.
„So weit, was getan wurde, mit dem diese Modelle ist die Vorhersage, was die neuronalen Antworten wäre auf andere Reize, die Sie noch nicht gesehen habe,“ Bashivan sagt. „Der wesentliche Unterschied hier ist, dass wir gehen einen Schritt weiter und verwenden die Modelle zu fahren, die Neuronen in gewünschten Staaten.“
Um dies zu erreichen, haben die Forscher zunächst ein eins-zu-eins-Karte von Neuronen im Gehirn das visuelle AREAL V4 zu Knoten in der computational-Modell. Sie Taten dies, indem Sie zeigen, Bilder mit Tieren und der Modelle, und vergleichen Sie Ihre Antworten auf die gleichen Bilder. Es gibt Millionen von Neuronen in area V4, aber für diese Studie, die Forscher erstellten Karten, die für Subpopulationen von fünf bis 40 Neuronen gleichzeitig.
„Einmal jedes neuron hat eine Belegung, die Modell ermöglicht Vorhersagen über das neuron,“ DiCarlo sagt.
Die Forscher dargelegt, um zu sehen, wenn Sie könnten diese Vorhersagen zur Kontrolle der Aktivität von einzelnen Neuronen im visuellen Kortex. Die erste Art von Kontrolle, die Sie als „stretching“ beinhaltet, zeigt ein Bild, das die Aktivität eines bestimmten Neurons, die weit über die Tätigkeit in der Regel ausgelöst durch „Natürliche“ Bilder, ähnlich wie für die Ausbildung der neuronalen Netzwerke.
Die Forscher fanden, dass, wenn Sie zeigten Tiere, die diese „synthetischen“ Bilder, die durch die Modelle und nicht ähneln natürlichen Objekte, die target-Neuronen reagierten wie erwartet. Im Durchschnitt der Neuronen zeigte, dass ungefähr 40 Prozent mehr Aktivität in Reaktion auf diese Bilder, als wenn Sie gezeigt wurden, die Natürliche Bilder wie diejenigen, die zum trainieren des Modells verwendet. Diese Art der Steuerung hat noch nie zuvor berichtet worden war.
In eine ähnliche Reihe von Experimenten, die Forscher versucht, Bilder generieren, die dann in ein neuron maximal, während auch das einhalten der Aktivität in der nahe gelegenen Neuronen sehr gering ist, eine schwierige Aufgabe. Für die meisten der Neuronen, die Sie getestet, die Forscher waren in der Lage, erhöhen die Aktivität des target-neuron mit einem relativ geringen Anstieg der umliegenden Neuronen.
„Ein allgemeiner trend in den Neurowissenschaften ist, dass experimentelle Datenerhebung und rechnerische Modellierung ausgeführt werden, etwas unabhängig, was eine sehr kleine Modell-Validierung, und damit keine messbaren Fortschritte. Unsere Bemühungen bringen wieder Leben in diesem „closed-loop“ – Ansatz, ansprechende Modell Vorhersagen und neuronale Messungen sind entscheidend für den Erfolg von Bau und Test von Modellen, die meisten ähneln das Gehirn,“ Kar sagt.
Messgenauigkeit
Die Forscher zeigten auch, dass Sie das Modell verwenden, um vorherzusagen, wie die Neurone der area V4 Antworten würde, synthetische Bilder. Die meisten bisherigen tests dieser Modelle haben die gleiche Art von naturalistischen Bilder, die verwendet wurden, um das Modell zu trainieren. Das MIT-team festgestellt, dass die Modelle waren etwa 54 Prozent genaue Vorhersage, wie das Gehirn reagieren würde, die synthetischen Bilder, verglichen mit fast 90 Prozent Genauigkeit, wenn das Natürliche Bilder verwendet werden.
„In einem Sinne sind wir quantifizieren, wie genau diese Modelle für Vorhersagen außerhalb der Domäne, wo Sie ausgebildet wurden,“ Bashivan sagt. „Idealerweise sollte das Modell in der Lage sein, um vorherzusagen, genau, egal, was der input ist.“
Die Forscher hoffen nun, zur Verbesserung der Modelle die Genauigkeit, indem Sie Sie integrieren die neuen Informationen, die Sie lernen vom sehen der synthetischen Bilder, die nicht getan wurde, in dieser Studie.
Diese Art der Kontrolle könnte sinnvoll sein, für Forscher, die studieren wollen, wie sich die verschiedenen Neuronen, die miteinander interagieren, und wie Sie verbunden werden könnten, sagen die Forscher. Weiter in die Zukunft, dieser Ansatz könnte möglicherweise nützlich für die Behandlung von affektiven Störungen wie Depressionen. Die Forscher arbeiten nun an der Erweiterung Ihres Modells der inferotemporal cortex, die feeds in die amygdala, welche sich in der Verarbeitung von Emotionen.