Research

Нейрон мимоволі: нейросеть створила зображення, що впливає на мозок безпосередньо

Бачите це зображення вище? За допомогою цього дивного зображення нейробіологи Массачусетського технологічного інституту змогли активувати окремі нейрони мозку. Використовуючи оптимальну доступну модель зорової нейронної мережі мозку, вчені розробили новий спосіб точного управління окремими нейронами і їх популяціями в середині цієї мережі. В ході випробування на тваринах команда показала, що інформація, отримана з обчислювальної моделі, дозволила їм створювати зображення, які сильно активували певні нейрони мозку.

Вчені, по суті, отримали спосіб звертатися домозку через зображення «безпосередньо», минаючи довгий шлях осмислення зображень. Але перш ніж ви задумаєтеся про похмуре майбутнє, в якому нас дійсно будуть зомбувати з екранів телевізора, давайте про все по порядку.

Це безперечно прорив

Основні висновки роботи - існуючі розрахунковіверсії моделей зорових нейросистем досить схожі на справжні, щоб їх можна було використовувати для контролю стану мозку у тварин. Наскільки точно ці моделі імітують роботу зорової кори - це питання викликає дуже гарячі суперечки, говорить Джеймс ДіКарло, глава відділення мозку і когнітивних наук MIT, старший автор дослідження, яке з'явилося 2 травня в журналі Science.

«Люди давно задаються питанням, чи забезпечуютьці моделі розуміння зорової системи », говорить він. «Замість того, щоб обговорювати це в академічних колах, ми показали, що ці моделі вже досить потужні, щоб можна було використовувати їх новими і важливими способами. Незалежно від того, розумієте ви, як працює ця модель чи ні, в деякому сенсі вона вже приносить користь ».

Тобто, неважливо, як працює розрахункова модельзорової системи мозку - важливо, що ми вже можемо її використовувати, що вона досить точна і що на її основі можна розробляти нові експерименти. Це перший наслідок роботи, яку треба взяти до уваги.

Управління нейронами через зображення - це можливо

Протягом останніх декількох років ДіКарло іінші розробляли моделі зорової системи на основі штучних нейронних мереж. Кожна мережа починається з довільної архітектури, що складається з модельних нейронів, або вузлів, які можуть з'єднуватися між собою різними показниками сили, або «вагою».

Потім вчені навчають ці моделі на бібліотеці збільше 1 мільйона зображень. Переглядаючи кожне зображення і мітку найважливішого об'єкту на зображенні - літака або стільця, наприклад - модель вчиться розпізнавати об'єкти, змінюючи силу з'єднань. Важко точно визначити, яким чином модель досягає такого роду розпізнавання, але ДіКарло і його колеги раніше показали, що «нейрони» в цих моделях створюють моделі активності, дуже схожі на ті, які спостерігаються в зоровій корі тварин при реакції на такі ж зображення. Тобто, нейросеть немов намагається навчитися думати або бачити по-справжньому.

У новому дослідженні вчені хотіли перевірити,чи можуть їх моделі виконувати деякі завдання, які раніше не демонструвалися. Зокрема, їм було цікаво, чи можна використовувати ці моделі для контролю нейронної активності в зоровій корі тварин.

«До сих пір ми намагалися прогнозувати за допомогоюцих моделей, якими будуть нейронні відповіді на інші стимули, яких вони раніше не бачили », говорить вчений. «Основна відмінність тут полягає в тому, що ми йдемо на один крок далі і використовуємо моделі для приведення нейронів в бажані стану».

Щоб домогтися цього, вчені спершу створилиточну карту «один до одного» нейронів мозку в зорової області мозку V4 з вузлів в обчислювальної моделі. Вони робили це, показуючи зображення тварин і моделям і порівнюючи їх відповіді на одні й ті ж знімки. В області V4 мільйони нейрони, але для цього дослідження створювалися карти субпопуляцій з 5 - 40 нейронами одночасно.

«Як тільки кожен нейрон отримує призначення, модель дозволяє робити прогнози щодо цього нейрона», говорить ДіКарло.

Потім вчені вирішили з'ясувати, чи можуть вонивикористовувати ці прогнози для контролю активності окремих нейронів в зоровій корі. Перший тип контролю, який вони назвали «розтягуванням», включає показ зображення, яке виведе активність конкретного нейрона далеко за межі активності, зазвичай викликається «природними» зображеннями, на зразок тих, що використовуються для навчання нейромереж.

Дослідники виявили, що при демонстраціїтваринам таких «синтетичних» зображень, які створюються моделями і не нагадують природні об'єкти, цільові нейрони реагували, як і очікувалося. В середньому нейрони проявляли приблизно на 40 відсотків більше активності у відповідь на ці зображення, ніж коли їм показували природні зображення. Такого роду контролю ніхто ніколи не досягав раніше.

«Те, що їм вдалося це зробити, дивно. З точки зору нейрона нібито в його фокусі виявляється його ідеальне зображення. Нейрона раптово надають стимул, який він завжди шукав », говорить Аарон Батіста, доцент біоінженерії в Університеті Піттсбурга, який не брав участі в дослідженні. «Це чудова ідея, і здійснити її - справжній подвиг. Можливо, це найпотужніше доказ необхідності використовувати штучні нейронні мережі для розуміння справжніх нейронних мереж ».

Просто вдумайтеся: вчені створили простий (поки) генератор зображень, що викликають певний ефект в мозку тварини (поки). У теорії - поки тільки в теорії - можна було б створювати «ідеальне» зображення для регулювання гормональних викидів, створення певних спогадів, програмування дій людини - бо все це результат роботи нейронів. Картинка, створена нейромережею, яку ніхто ніколи не бачив і уявити яку в стані тільки нейросеть, розуміюча внутрішню роботу мозку, зможе і вилікувати, і вбити.

У схожій серії експериментів вчені спробувалистворити зображення, які максимально «виводили» б нейрон з себе, в той же час підтримуючи активність в сусідніх нейронах на дуже низькому рівні, що вже більш складно. З більшістю протестованих нейронів вчені змогли підвищити активність цільового нейрона з невеликим збільшенням оточуючих нейронів.

«Загальна тенденція в нейробіології така, що збірекспериментальних даних і комп'ютерне моделювання виконуються злегка окремо, що не дає можливості значно підтвердити модель, тому і немає піддається виміру прогресу. Наші зусилля повертають до життя підхід «замкнутого циклу», стверджують вчені. Це важливо для успіху побудови і тестування моделей, які будуть схожі на мозок найбільше.

точність вимірювання

Вчені також показали, що можуть використовуватисвою модель, щоб передбачати, як нейрони з області V4 будуть реагувати на синтезовані зображення - на зразок того, що вище. Більшість попередніх тестувань моделі використовували той же тип натуралістичних зображень, на яких навчалася модель. Вчені з MIT виявили, що моделі з точністю 54% передбачають, як мозок повинен реагувати на синтезовані зображення, і з точністю 90% передбачають, як мозок буде реагувати на природні зображення.

«У певному сенсі, ми кількісно оцінюємо,наскільки точні ці моделі при прогнозуванні за межами області, в якій вони були навчені », говорить один з дослідників. «В ідеалі модель має бути здатна точно спрогнозувати відгук, незалежно від вхідного сигналу».

Тепер вчені сподіваються підвищити точність моделей,дозволивши їм включати нову інформацію, яку вони осягають, дивлячись на синтезовані зображення. В ході цього дослідження таке не застосовувалося. Простіше кажучи, моделі навчатимуться за своїми ж згенерував зображень.

Такого роду контроль буде корисний длянейробіологів, які хочуть вивчити, як різні нейрони зв'язуються і взаємодіють між собою. Надалі цей підхід потенційно буде корисний для позбавлення проблем з настроєм, таких як депресія. Зараз вчені працюють над розширенням своєї моделі до нижньої скроневої (інферотемпоральной) кори, яка харчується миндалиной, що бере участь в обробці емоцій.

«Якби у нас була хороша модель нейронів,які задіюють прилив емоцій або викликають різні види розладів, ми могли б використовувати цю модель для управління нейронами таким чином, щоб допомогти полегшити ці розлади ».

Обговорити це приголомшливе відкриття прямо зараз можна в нашому чаті в Телеграма.