Istraživački tim na Stenfordskom institutu za neuronauke Vu Tsai napravio je veliki korak u korišćenju veštačke inteligencije za repliciranje načina na koji mozak organizuje senzorne informacije da bi shvatio svet, otvarajući nove granice virtuelnoj neuronauci.
Gledajte kako sekunde otkucavaju na satu i, u vizuelnim regionima vašeg mozga, susedne grupe neurona selektivnih uglova će se aktivirati u nizu dok se sekundarna kazaljka kreće oko sata. Ove ćelije formiraju prelepe mape „vrtača“, pri čemu svaki segment predstavlja vizuelnu percepciju različitog ugla. Druge vizuelne oblasti mozga sadrže mape složenijih i apstraktnijih vizuelnih karakteristika, kao što je razlika između slika poznatih lica i mesta, koja aktiviraju različite neuronske „susedstva“.
Takve funkcionalne mape se mogu naći u celom mozgu, i oduševljavaju i zbunjuju neuronaučnike, koji se dugo pitaju zašto je mozak trebalo da razvije raspored nalik mapi koji samo moderna nauka može da posmatra.
Da bi se pozabavio ovim pitanjem, tim iz Stanforda je razvio novu vrstu AI algoritma — topografsku duboku veštačku neuronsku mrežu (TDANN) — koja koristi samo dva pravila: naturalističke senzorne inpute i prostorna ograničenja veza; i otkrio da uspešno predviđa i senzorne odgovore i prostornu organizaciju više delova vizuelnog sistema ljudskog mozga.
Posle sedam godina opsežnog istraživanja, nalazi su objavljeni u novom radu — „Ujedinjujući okvir za funkcionalnu organizaciju u ranom i višem ventralnom vizuelnom korteksu“ — 10. maja u časopisu Neuron.
Istraživački tim je predvodio naučnik sa fakulteta Vu Tsai Instituta za neuronauke Dan Iamins, docent psihologije i računarstva; i filijala Instituta Kalanit Grill-Spector, profesor psihologije.
Za razliku od konvencionalnih neuronskih mreža, TDANN uključuje prostorna ograničenja, raspoređujući svoje virtuelne neurone na dvodimenzionalni „kortikalni list“ i zahtevajući da obližnji neuroni dele slične odgovore na senzorni unos.
Kako je model naučio da obrađuje slike, ova topografska struktura je dovela do toga da formira prostorne mape, replicirajući kako se neuroni u mozgu organizuju kao odgovor na vizuelne stimuluse. Konkretno, model je replicirao složene obrasce kao što su strukture okretnog točka u primarnom vizuelnom korteksu (V1) i klasteri neurona u višem ventralnom temporalnom korteksu (VTC) koji reaguju na kategorije kao što su lica ili mesta.
Eshed Margalit, vodeći autor studije, koji je završio doktorat. radeći sa Iaminsom i Grill-Spectorom, rekao je da je tim koristio pristupe učenju pod samonadzorom kako bi pomogao u preciznosti modela obuke koji simuliraju mozak.
„To je verovatno više kao kako bebe uče o vizuelnom svetu“, rekla je Margalit. „Mislim da nismo u početku očekivali da će to imati tako veliki uticaj na tačnost obučenih modela, ali zaista morate da pravilno postavite zadatak obuke mreže da bi ona bila dobar model mozga.“
Model koji se u potpunosti može obučiti će pomoći neuronaučnicima da bolje razumeju pravila kako se mozak organizuje, bilo za vid, kao u ovoj studiji, ili za druge senzorne sisteme kao što je sluh.
„Kada mozak pokušava da nauči nešto o svetu – kao što je da vidi dva snimka osobe – on postavlja neurone koji slično reaguju u blizini u mozgu i obliku mape“, rekao je Gril-Spektor, koji je Suzan S. i Vilijam. H. Hindle profesor na Fakultetu humanističkih nauka i nauka. „Smatramo da taj princip treba da se prevede i na druge sisteme.
Ovaj inovativni pristup ima značajne implikacije i za neuronauku i za veštačku inteligenciju. Za neuronaučnike, TDANN pruža novo sočivo za proučavanje kako se vizuelni korteks razvija i funkcioniše, potencijalno transformišući tretmane neuroloških poremećaja. Za AI, uvidi izvedeni iz organizacije mozga mogu dovesti do sofisticiranijih sistema vizuelne obrade, slično učenju računara da „vide“ kao ljudi.
Nalazi bi takođe mogli pomoći da se objasni kako ljudski mozak funkcioniše sa takvom zvjezdanom energetskom efikasnošću. Na primer, ljudski mozak može da izračuna milijardu milijardi matematičkih operacija sa samo 20 vati snage, u poređenju sa superkompjuterom koji zahteva milion puta više energije da bi obavio istu matematiku.
Nova otkrića naglašavaju da neuronske mape – i prostorna ili topografska ograničenja koja ih pokreću – verovatno služe da ožičenje koje povezuje 100 milijardi neurona mozga bude što jednostavnije. Ovi uvidi mogu biti ključni za dizajniranje efikasnijih veštačkih sistema inspirisanih elegancijom mozga.
„AI je ograničen moći“, rekao je Iamins. „Dugoročno gledano, kada bi ljudi znali kako da pokreću veštačke sisteme uz mnogo manju potrošnju energije, to bi moglo da podstakne razvoj veštačke inteligencije.
Energetski efikasnija AI bi mogla da pomogne u razvoju virtuelne neuronauke, gde bi eksperimenti mogli da se rade brže i u većem obimu. U svojoj studiji, istraživači su demonstrirali kao dokaz principa da njihova topografska duboka veštačka neuronska mreža reprodukuje odgovore poput mozga na širok spektar naturalističkih vizuelnih stimulansa, sugerišući da bi se takvi sistemi u budućnosti mogli koristiti kao brza i jeftina igrališta. za izradu prototipova neuronaučnih eksperimenata i brzo identifikovanje hipoteza za buduća testiranja.
Virtuelni neuronaučni eksperimenti bi takođe mogli da unaprede medicinsku negu ljudi. Na primer, bolja obuka veštačkog vizuelnog sistema na isti način na koji beba vizuelno uči o svetu može pomoći veštačkoj inteligenciji da vidi svet kao čovek, gde je centar pogleda oštriji od ostatka vidnog polja. Druga aplikacija bi mogla da pomogne u razvoju protetike za vid ili da simulira tačno kako bolesti i povrede utiču na delove mozga.
„Ako možete da radite stvari kao što su predviđanja koja će pomoći u razvoju protetskih uređaja za ljude koji su izgubili vid, mislim da će to zaista biti neverovatna stvar“, rekao je Grill-Spector.
