Неурон нерадо: неуронска мрежа је створила слику која директно утиче на мозак

Погледајте ову слику изнад? Са овом чудном сликом, неурознанственици МИТ-а су били у стању да активирају појединачне неуроне у мозгу. Користећи најбољи расположиви модел визуелне неуронске мреже мозга, научници су развили нови начин да прецизно контролишу поједине неуроне и њихове популације у средини ове мреже. Током тестирања на животињама, тим је показао да информације добијене из рачунског модела дозвољавају им да створе слике које снажно активирају одређене неуроне мозга.

Научници су, у ствари, имали начин да се позабавемозак кроз слику "директно", заобилазећи дугу стазу рефлексијских слика. Али пре него што размислите о суморној будућности, у којој ћемо заиста бити зомбирани са ТВ екрана, учинимо све у реду.

Ово је дефинитивно напредак.

Главни закључци рада су израчунати постојећиверзије модела визуелних неуросистема су веома сличне стварним тако да се могу користити за праћење стања мозга код животиња. Колико тачно ови модели опонашају рад визуелног кортекса - ово питање је веома жестока расправа, каже Јамес ДиЦарло, шеф одељења за мозак и когнитивне науке МИТ, виши аутор студије, који се појавио 2. маја у часопису Сциенце.

"Људи су се дуго питали да лиови модели су разумевање визуелног система “, каже он. „Уместо да о томе расправљамо у академским круговима, показали смо да су ови модели већ довољно моћни да би се могли користити на нове и важне начине. Без обзира да ли разумете како овај модел функционише или не, у одређеном смислу, већ користи. “

То јест, није важно како функционише израчунати модел.визуелни систем мозга - важно је да га већ можемо користити, да је довољно прецизан и да је на њему могуће развити нове експерименте. Ово је прва посљедица посла који треба узети у обзир.

Контрола неурона кроз слике - то је могуће

Током протеклих неколико година и дикарлодруги су развили моделе визуелног система заснованог на вештачким неуронским мрежама. Свака мрежа почиње са произвољном архитектуром која се састоји од модела неурона, или чворова који се могу међусобно повезати различитим индикаторима снаге, или "тежином".

Тада научници предају ове моделе у библиотеципреко 1 милион слика. Гледајући кроз сваку слику и ознаку најважнијег објекта на слици - авион или столицу, на примјер - модел учи препознати објекте промјеном чврстоће веза. Тешко је тачно одредити како модел постиже ову врсту препознавања, али ДиЦарло и његове колеге су раније показали да „неурони“ у овим моделима стварају обрасце активности који су врло слични онима који се посматрају у визуалном кортексу животиња када реагују на исте слике. То јест, чини се да неуронска мрежа покушава да научи да мисли или види стварност.

У новој студији, научници су хтјели провјеритида ли њихови модели могу обављати неке задатке који раније нису били демонстрирани. Посебно су се запитали да ли је могуће користити ове моделе за контролу неуронске активности у визуалном кортексу животиња.

„До сада смо покушали предвидјетиови модели, који ће бити неурални одговори на друге подражаје које никада раније нису видели “, каже научник. "Главна разлика је у томе што идемо корак даље и користимо моделе како бисмо неуроне довели у жељена стања."

Да би се то постигло, научници су прво створилитачна карта један-на-један неурона у мозгу у визуелном региону мозга В4 из чворова у рачунском моделу. Учинили су то тако што су приказали слике животињама и моделима и упоредили њихове одговоре са истим сликама. У региону В4 постоје милиони неурона, али за ову студију су истовремено формиране мапе субпопулација са 5-40 неурона.

„Чим сваки неурон добије задатак, модел вам омогућава да направите предвиђања о овом неурону“, каже ДиЦарло.

Тада су научници одлучили да сазнају да ли могукористити ова предвиђања за контролу активности појединих неурона у визуалном кортексу. Први тип контроле, који су назвали "истезање", укључује приказивање слике која ће довести активност одређеног неурона далеко изван граница активности које обично изазивају "природне" слике, као што су оне које се користе за тренирање неуронских мрежа.

Истраживачи су то открили када су демонстриралиживотиње таквих "синтетичких" слика које су креиране од стране модела и које не подсећају на природне објекте, циљни неурони су реаговали, како се и очекивало. У просеку, неурони су показали око 40% више активности у одговору на ове слике него када су приказане природне слике. Нико никада раније није постигао ову врсту контроле.

„Чињеница да су успели да ураде ово је невероватна. Са тачке гледишта неурона, чини се да је његова идеална слика у фокусу. Неурон је изненада добио стимулус који је одувек тражио, ”каже Аарон Батиста, ванредни професор биоинжињеринга на Универзитету у Питсбургу, који није учествовао у студији. “Ово је одлична идеја, а њено спровођење је прави подвиг. Можда је ово најснажнији доказ потребе да се користе умјетне неуронске мреже за разумијевање стварних неуронских мрежа. ”

Само помисли: Научници су створили једноставан (до сада) генератор слика који изазива одређени ефекат у мозгу животиње (до сада). У теорији, до сада само у теорији, било би могуће створити “савршену” слику за контролу емисије хормона, стварање специфичних сећања, програмирање људских акција, јер је све то резултат неурона. Слика коју је створила неуронска мрежа, коју нико никада није видео, а коју само неуронска мрежа која разуме унутрашње деловање мозга може само излечити и убити.

У сличном низу експеримената, научници су покушалида створи слике које ће максимално "закључити" неурон од себе, док у исто време одржава активност у суседним неуронима на веома ниском нивоу, што је теже. Са већином тестираних неурона, научници су успели да повећају активност циљног неурона са благим порастом у околним неуронима.

"Општи тренд у неуронауци је тоЕкспериментални подаци и компјутерско моделирање се изводе незнатно одвојено, што онемогућава значајно потврђивање модела, тако да нема мјерљивог напретка. Наши напори доносе повратак "затворене петље", кажу научници. Ово је важно за успех изградње и тестирања модела који највише личе на мозак.

Прецизност мерења

Научници су такође показали да могу да користеВашем моделу можете предвидети како ће неурони из В4 регије одговорити на синтетизиране слике - попут оне горе. Већина тестова претходних модела користила је исту врсту натуралистичких слика на којима је модел обучен. Научници из МИТ-а су открили да модели са прецизношћу од 54% предвиђају како мозак треба да реагује на синтетизоване слике и са тачношћу од 90% предвиди како ће мозак реаговати на природне слике.

"На неки начин, квантификујемо,колико су ови модели тачни када се предвиђају изван подручја у којем су обучени “, каже један истраживач. "Идеално би било да модел буде у стању да тачно предвиди одговор, без обзира на улазни сигнал."

Сада се научници надају да ће побољшати тачност модела,допуштајући им да укључе нове информације које разумеју гледајући синтетизоване слике. Ова студија се није примјењивала. Једноставно речено, модели ће учити из властитих генерисаних слика.

Ова врста контроле ће бити кориснанеурознанственици који желе да проуче како различити неурони комуницирају и међусобно комуницирају. У будућности, овај приступ ће потенцијално помоћи у ублажавању проблема с расположењем, као што је депресија. Сада научници раде на проширењу свог модела на доњи темпорални (инферотемпорални) кортекс, који се храни амигдалом, која је укључена у обраду емоција.

"Да смо имали добар модел неурона,који покрећу вал емоција или узрокују различите врсте поремећаја, могли бисмо користити овај модел за контролу неурона на начине који помажу у ублажавању ових поремећаја.

О овом задивљујућем открићу можете разговарати управо у нашем цхату у Телеграму.