Neuroniniai tinklai, kompiuterinės sistemos tipas, laisvai modeliuojamas pagal žmogaus smegenų organizavimą, sudaro daugelio dirbtinio intelekto sistemų, tokių kaip kalbos atpažinimas, kompiuterinis regėjimas ir medicininių vaizdų analizė, pagrindą.
Neurologijos srityje tyrėjai dažnai naudoja neuroninius tinklus, kad bandytų modeliuoti tokias pačias užduotis, kurias atlieka smegenys, tikėdamiesi, kad modeliai gali pasiūlyti naujas hipotezes, kaip pačios smegenys atlieka tas užduotis. Tačiau MIT mokslininkų grupė ragina interpretuoti šiuos modelius būti atsargesniems.
Analizuodami daugiau nei 11 000 neuroninių tinklų, kurie buvo išmokyti imituoti tinklelio ląstelių – pagrindinių smegenų navigacijos sistemos komponentų – funkciją, mokslininkai nustatė, kad neuroniniai tinklai gamina į tinklelio ląsteles panašią veiklą tik tada, kai jiems buvo taikomi labai specifiniai apribojimai. nėra aptinkami biologinėse sistemose.
„Tai rodo, kad norėdami gauti rezultatą su tinklelio ląstelėmis, tyrėjai moko modelius, reikalingus tiems rezultatams pasiekti, pasirinkdami specifinius, biologiškai neįtikimus įgyvendinimo pasirinkimus“, – sako Rylanas Schaefferis, buvęs MIT vyresnysis mokslo darbuotojas.
Be šių suvaržymų, MIT komanda nustatė, kad labai nedaug neuroninių tinklų generuoja į tinklelio ląsteles panašią veiklą, o tai rodo, kad šie modeliai nebūtinai sukuria naudingas smegenų veikimo prognozes.
Schaefferis, kuris dabar yra Stanfordo universiteto kompiuterių mokslo magistras, yra pagrindinis naujo tyrimo, kuris šį mėnesį bus pristatytas 2022 m. Neuroninės informacijos apdorojimo sistemų konferencijoje, autorius. Ila Fiete, smegenų ir pažinimo mokslų profesorė ir MIT McGovern smegenų tyrimų instituto narė, yra vyresnysis šio straipsnio autorius. Mikail Khona, MIT fizikos absolventas, taip pat yra autorius.
Modeliavimo tinklelio ląstelės
Neuroninius tinklus, kuriuos tyrėjai naudojo dešimtmečius įvairioms skaičiavimo užduotims atlikti, sudaro tūkstančiai ar milijonai vienas su kitu sujungtų apdorojimo vienetų. Kiekvienas mazgas turi skirtingo stiprumo ryšius su kitais tinklo mazgais. Tinklui analizuojant didžiulius duomenų kiekius, tų ryšių stipriosios pusės keičiasi, kai tinklas išmoksta atlikti norimą užduotį.
Šiame tyrime mokslininkai daugiausia dėmesio skyrė neuroniniams tinklams, sukurtiems, kad imituotų smegenų tinklelio ląstelių, esančių žinduolių smegenų entorininėje žievėje, funkciją. Kartu su vietos ląstelėmis, esančiomis hipokampe, tinklelio ląstelės sudaro smegenų grandinę, kuri padeda gyvūnams žinoti, kur jie yra ir kaip patekti į kitą vietą.
Nustatyta, kad vietos ląstelės užsidega, kai gyvūnas yra konkrečioje vietoje, ir kiekviena vietos ląstelė gali reaguoti į daugiau nei vieną vietą. Kita vertus, tinklelio ląstelės veikia labai skirtingai. Kai gyvūnas juda per erdvę, pavyzdžiui, kambarį, tinklelio ląstelės užsidega tik tada, kai gyvūnas yra vienoje iš trikampės gardelės viršūnių. Skirtingos tinklelio ląstelių grupės sukuria šiek tiek skirtingų matmenų groteles, kurios persidengia viena su kita. Tai leidžia tinklelio langeliams užkoduoti daug unikalių pozicijų naudojant santykinai nedidelį langelių skaičių.
Šio tipo vietos kodavimas taip pat leidžia numatyti kitą gyvūno vietą pagal nurodytą pradžios tašką ir greitį. Keliuose naujausiuose tyrimuose mokslininkai išmokė neuroninius tinklus atlikti tą pačią užduotį, kuri yra žinoma kaip kelio integracija.
Norėdami išmokyti neuroninius tinklus atlikti šią užduotį, mokslininkai įveda pradinį tašką ir greitį, kuris laikui bėgant kinta. Modelis iš esmės imituoja erdvėje klajojančio gyvūno veiklą ir apskaičiuoja atnaujintas padėtis jam judant. Modeliui atliekant užduotį, galima išmatuoti skirtingų tinklo vienetų veiklos modelius. Kiekvieno vieneto veikla gali būti pavaizduota kaip šaudymo modelis, panašus į smegenų neuronų šaudymo modelius.
Keliuose ankstesniuose tyrimuose mokslininkai pranešė, kad jų modeliai gamino vienetus su veiklos modeliais, kurie labai imituoja tinklelio ląstelių šaudymo modelius. Šiuose tyrimuose padaryta išvada, kad į tinklelio ląsteles panašios reprezentacijos natūraliai atsirastų bet kuriame neuroniniame tinkle, išmokytame atlikti kelio integravimo užduotį.
Tačiau MIT tyrėjai rado labai skirtingus rezultatus. Analizuodami daugiau nei 11 000 neuroninių tinklų, kuriuos jie mokė integruoti kelią, jie nustatė, kad nors beveik 90 procentų jų sėkmingai išmoko užduotį, tik apie 10 procentų tų tinklų sukūrė veiklos modelius, kuriuos būtų galima priskirti kaip tinklelio ląstelę. . Tai apima tinklus, kuriuose net tik vienas įrenginys pasiekė aukštą tinklelio balą.
Pasak MIT komandos, ankstesni tyrimai labiau linkę generuoti į tinklelio ląsteles panašią veiklą tik dėl suvaržymų, kuriuos tyrėjai nustato šiuose modeliuose.
„Ankstesni tyrimai parodė šią istoriją, kad jei išmokysite tinklus integruotis, gausite tinklelio ląsteles. Mes nustatėme, kad vietoj to turite atlikti šią ilgą parametrų pasirinkimo seką, kuri, kaip žinome, nesuderinama su biologija, ir tada mažoje tų parametrų dalyje gausite norimą rezultatą“, – sako Schaefferis.
Daugiau biologinių modelių
Vienas iš ankstesniuose tyrimuose nustatytų apribojimų yra tai, kad mokslininkai reikalavo, kad modelis greitį paverstų unikalia padėtimi, kurią pranešė vienas tinklo vienetas, atitinkantis vietos langelį. Kad tai įvyktų, mokslininkai taip pat reikalavo, kad kiekviena vietos ląstelė atitiktų tik vieną vietą, o tai ne taip, kaip veikia biologinės vietos ląstelės: tyrimai parodė, kad vietos ląstelės hipokampe gali reaguoti į iki 20 skirtingų vietų, o ne tik vieną.
Kai MIT komanda pakoregavo modelius taip, kad vietos ląstelės būtų labiau panašios į biologines vietos ląsteles, modeliai vis tiek galėjo atlikti kelio integravimo užduotį, tačiau jie nebekėlė į tinklelio ląsteles panašios veiklos. Į tinklelį panaši veikla taip pat išnyko, kai tyrėjai nurodė modeliams generuoti įvairių tipų vietos išvestį, pvz., vietą tinklelyje su X ir Y ašimis arba vietą kaip atstumą ir kampą, palyginti su pagrindiniu tašku.
„Jei vienintelis dalykas, kurio prašote šio tinklo, yra kelio integravimas ir nuskaitymo blokui nustatote labai specifinių, o ne fiziologinių reikalavimų rinkinį, tada galima gauti tinklelio ląsteles“, – sako Fiete. „Tačiau jei atpalaiduosite bet kurį iš šių nuskaitymo įrenginio aspektų, tai stipriai pablogins tinklo gebėjimą gaminti tinklelio ląsteles. Tiesą sakant, dažniausiai ne, nors jie vis tiek išsprendžia kelio integravimo užduotį.
Todėl, jei tyrėjai dar nebūtų žinoję apie tinklelio elementų egzistavimą ir vadovavę modeliui jas sukurti, būtų labai mažai tikėtina, kad jie pasirodys kaip natūrali modelio mokymo pasekmė.
Tyrėjai teigia, kad jų išvados rodo, kad aiškinant smegenų neuroninio tinklo modelius reikia būti atsargesniems.
„Kai naudojate giluminio mokymosi modelius, jie gali būti galingas įrankis, tačiau reikia labai atsargiai juos interpretuoti ir nustatyti, ar jie iš tikrųjų daro de novo prognozes, ar net atskleidžia, ką smegenys optimizuoja. “, – sako Fiete.
Londono universiteto koledžo kiekybinės neurologijos profesorius Kennethas Harrisas sako, kad jis tikisi, kad naujasis tyrimas paskatins neurologus būti atsargesnius teigdami, ką gali parodyti neuroninių tinklų ir smegenų analogijos.
„Neuroniniai tinklai gali būti naudingas prognozių šaltinis. Jei norite sužinoti, kaip smegenys sprendžia skaičiavimus, galite išmokyti tinklą tai atlikti, tada patikrinkite hipotezę, kad smegenys veikia taip pat. Nesvarbu, ar hipotezė pasitvirtins, ar ne, jūs kažką sužinosite“, – sako tyrime nedalyvavęs Harrisas. „Šis dokumentas rodo, kad „postdikcija“ yra mažiau galinga: neuroniniai tinklai turi daug parametrų, todėl priversti juos atkartoti esamą rezultatą nėra taip stebina.
Naudojant šiuos modelius smegenų veikimo prognozėms, kuriant modelius svarbu atsižvelgti į realius, žinomus biologinius apribojimus, teigia MIT mokslininkai. Dabar jie dirba su tinklelio ląstelių modeliais, kurie, tikisi, sukurs tikslesnes smegenų tinklo ląstelių veikimo prognozes.
„Gilaus mokymosi modeliai suteiks mums įžvalgos apie smegenis, bet tik tada, kai į modelį įdėsite daug biologinių žinių“, – sako Khona. „Jei naudojate tinkamus apribojimus, modeliai gali pasiūlyti į smegenis panašų sprendimą.
Tyrimą finansavo Karinio jūrų laivyno tyrimų biuras, Nacionalinis mokslo fondas, Simonso fondas per Simons Collaboration on the Global Brain ir Howardo Hugheso medicinos institutas per fakulteto mokslininkų programą. Mikailą Khoną parėmė MathWorks mokslo stipendija.
