С помощью искусственного интеллекта учёные построили настолько точную модель зрительной коры макак, что смогли возбудить конкретный нейрон по своему выбору, просто предъявив животному нужное изображение.
Достижение описано в научной статье, опубликованной в журнале Science исследователями из Массачусетского технологического института во главе с Джеймсом ДиКарло (James DiCarlo).
"Вести.Наука" (nauka.vesti.ru) подробно рассказывали о том, что такое искусственные нейронные сети (ИНС). Напомним, что они в общих чертах воспроизводят принципы обучения, характерные для мозга животных.
Как правило, ИНС используются в качестве систем искусственного интеллекта для решения прикладных задач, таких как распознавание изображений. Однако ещё одной потенциальной сферой применения являются попытки смоделировать активность различных систем мозга и таким путём выяснить ранее неизвестные подробности их работы.
Авторы новой работы моделировали зону зрительной коры, известную под обозначением V4. Они выбирали небольшой её участок (от пяти до сорока нервных клеток) и воспроизводили его "один к одному", чтобы в искусственной сети были соединены между собой те же нейроны, что и в естественной.
Основная функция этой зоны – распознавание цвета, однако она решает и другие задачи. В данном случае биологи тренировали искусственный интеллект находить самый заметный объект на изображении, будь то кресло или самолёт. Каждая модель проходила обучение более чем на миллионе снимков.
Предыдущие исследования показали, что картина нейронной активности, возникающая при этом в ИНС, очень похожа на ту, которая наблюдается в живом мозге. Если изображение использовалось для обучения искусственного интеллекта, то паттерн активности искусственной нейронной сети позволяет с высокой точностью спрогнозировать, как будут себя вести живые нейроны.
Авторы начали с того, что воспроизвели эти результаты и выяснили, что в их модели точность такого прогноза составила почти 90%.
Затем нейробиологи проверили, насколько точен прогноз, когда компьютеру и макаке показывают изображение, которого они раньше не видели. Оказалось, что здесь точность не так высока: 54%.
Исследователи пошли дальше, использовав прогнозы компьютера для управления активностью живого мозга. С помощью ИНС они синтезировали изображение, которое должно было возбудить конкретные нейроны сильнее, чем обычные снимки. И целевые нервные клетки макаки действительно были возбуждены в среднем на 40% сильнее. Как отмечается в пресс-релизе исследования, о таком управлении активностью мозга животного никогда ранее не сообщалось.
Наконец, учёные поставили ещё более интересный опыт. Благодаря данным ИНС они построили изображение, которое должно было активировать в мозгу животного конкретный нейрон и, по возможности, никакие другие. Это удавалось в 76% случаев.
"То, что им это удалось, по-настоящему удивительно, – говорит Аарон Батиста (Aaron Batista) из Питтсбургского университета, не принимавший участия в исследовании. – Это замечательная идея, и осуществить её – настоящий прорыв. Возможно, это самая лучшая проверка полезности искусственных нейронных сетей для понимания [работы] естественных нейронных сетей".
Поясним, что идея моделирования мозга с помощью ИНС вызывает у некоторых специалистов скепсис. Дело в том, что активность искусственной нейронной сети не похожа на работу классической компьютерной программы.
Обработка изображений обычной программой – это выполнение заранее известных и полностью понятных действий над входными данными, одного за другим. Например, она могла бы выглядеть так: "1. Найти все пиксели с заданным уровнем яркости. 2. Подсчитать среднюю длину и ширину ограниченной ими фигуры. 3. Проверить, сколько процентов пикселей остаётся "за бортом", если заменить эту фигуру кругом нужных размеров, прямоугольником, треугольником…".
Алгоритм работы ИНС – это инструкции, как следует себя вести отдельным нейронам для того, чтобы сеть обучалась выполнять свою задачу. В предельно упрощённом виде он мог бы быть таким. Случайно выбранная часть нейронов "голосует" за то, что самый заметный объект на изображении расположен там-то и там-то. После того как экспериментатор сообщает правильный ответ, вес "угадавших" нейронов в дальнейших "голосованиях" повышается. Процесс повторяется многократно.
При этом известно, что происходит с нейронами, но не известно, что же происходит с данными. В этом смысле искусственная нейронная сеть остаётся таким же "чёрным ящиком", как и естественная. В чём же, спрашивают скептики, смысл заменять непонятное непонятным?
"Люди задаются вопросом, обеспечивают ли эти модели понимание зрительной системы, – говорит ДиКарло. – Вместо того чтобы обсуждать это в академическом ключе, мы показали, что эти модели уже достаточно совершенны, чтобы обеспечить важное новое приложение. Понимаете ли вы, как работает модель или нет, она уже полезна в этом смысле".
Теперь авторы рассчитывают повысить точность, с которой прогнозируется нейронная активность в мозге животного. Для этого они разрешат искусственному интеллекту обучаться прямо в ходе эксперимента, усваивая информацию из каждого предъявленного ему нового изображения.
Кроме того, учёные надеются построить такую же модель нижней височной коры, связанной с миндалевидным телом – основным "генератором эмоций" в мозге. В перспективе точное воспроизведение активности эмоциональных систем в норме и в патологии могло бы помочь создать новые методы лечения психических расстройств.
К слову, ранее "Вести.Наука" рассказывали о крупнейшем суперкомпьютере, имитирующем устройство мозга, и о трёхмерной карте межнейронных связей млекопитающего
