За последние несколько лет искусственный интеллект (или ИИ) начал революционизировать мир, каким мы его знаем: некоторые люди теперь просят чат-ботов на базе ИИ писать эссе и обобщать документы, другие используют виртуальных помощников на базе ИИ для отправки сообщений и управления. устройства «умного дома», другие используют эту технологию для открытия и разработки лекарств. Вычислительный нейробиолог Фридеман Зенке использует ИИ, чтобы исследовать, как работает мозг.
В исследовании , опубликованном в журнале Nature Neuroscience, исследователи под руководством Зенке — руководителя FMI — изучили, как определенные группы нейронов корректируют свои связи в ответ на внешние раздражители. Работа может помочь нейробиологам понять, как сенсорные нейроны, несущие информацию об изменениях в окружающей среде, придают смысл внешнему миру.
Зенке и его коллеги используют математические инструменты и теории, чтобы изучить, как сети нейронов мозга работают вместе, обучаясь и сохраняя воспоминания. Разрабатывая подходы к решению сложных задач человеческого мозга, команда Зенке создает модели сетей нейронов на основе искусственного интеллекта, которые могут рассказать нам полезную информацию о реальном органе.
«У каждого есть мозг, но мы до конца не понимаем, как он функционирует», — говорит Зенке. «В конечном счете, наша цель — достичь некоторой формы понимания, потому что, прежде чем мы сможем добраться до болезни, мы должны понять, как работает здоровая система».
Модели разума
Зенке рано понял, какой будет научная карьера. Его отец, клеточный биолог, рано познакомил его с биомедицинской лабораторией. По выходным и школьным каникулам Зенке присоединялся к отцу на работе. «Я с любовью вспоминаю, как в детстве сунул палец в Vortex», — говорит Зенке. «Но даже в то время меня больше всего восхищали компьютеры в лаборатории».
В конце концов Зенке начал изучать физику, а в конце 2000 года продолжил работу в той области физической науки, которая исследует фундаментальные строительные блоки материи. Хотя Зенке нашел эту область интересной, сроки экспериментов были слишком долгими. Он надеялся, что его исследование сможет оказать более непосредственное влияние.
Он понял, что цветущая область вычислительной нейробиологии способствовала стремительному прогрессу в нашем понимании мозга. «Это то, что заставило меня переключиться», — говорит он. Еще один аспект, который привлек Зенке в нейробиологию, — это ее сложность. «Вероятно, это одна из самых сложных тем исследований на данный момент, и она требует разнообразного подхода».
Создав собственную группу в FMI, Зенке приступил к изучению того, как отдельные нейроны способствуют формированию воспоминаний — процессу, который играет жизненно важную роль в обучении, решении проблем и личностной идентичности. Например, когда мы видим кого-то впервые, мозг активирует определенные группы нейронов, что приводит к уникальному паттерну активности нейронов, который помогает создать память.
Но единственная информация, которую имеет отдельный нейрон о внешнем мире, — это электрические импульсы, которые он получает от других нейронов и затем передает им. «Как один нейрон участвует в этих вычислениях, связанных с памятью и распознаванием, например, того человека, которого вы встретили?» — говорит Зенке.
Исследователи из его группы решают этот вопрос, используя различные подходы из математики, информатики и физики. Воспоминания создаются изменениями в группах нейронов и связях или синапсах между ними. Итак, исследователи моделируют эти группы нейронов или нейронные сети на компьютере. Затем они используют подходы физики, чтобы получить теоретическое понимание того, что происходит в сетях. «Физика привносит силу абстракции — она пытается свести проблему к минимуму, к самым простым частям, которые вы можете понять», — говорит Зенке.
Но в мозгу сотни или тысячи нейронов взаимодействуют, формируя воспоминания, и иногда чисто аналитических подходов недостаточно, чтобы понять, как эти клетки обрабатывают информацию. Именно тогда исследователи обращаются к методам машинного обучения для создания крупномасштабных симуляций. Одной из таких технологий является глубокое обучение , которое использовалось во многих недавних достижениях в области искусственного интеллекта , включая автономное вождение.
Глубокое обучение основано на нейронных сетях, которые имитируют обработку информации человеческим мозгом, позволяя ему «обучаться» на больших объемах данных. «Нейронная сеть сама по себе не делает ничего полезного, она начинает делать что-то полезное только тогда, когда вы обучаете ее с помощью алгоритма», — говорит Зенке.
Когда алгоритм «подает» данные в нейронную сеть, связи внутри сети изменяются, что приводит к более сложной модели. Такие модели нейронных сетей позволяют вычислительным нейробиологам исследовать вопросы о том, как работает мозг, подобно тому, что биологи делают с живыми животными.
Нейронные цепи in silico
Если исследователи смогут разработать модели нейронных сетей, которые будут работать аналогично мозгу, это может дать объяснение тому, как реальный орган обрабатывает информацию и хранит воспоминания, говорит Зенке.
За последние несколько лет его команда разработала математическое описание того, как синапсы изменяются на основе опыта. Исследователи обучили импульсную нейронную сеть, которая имитирует электрические импульсы, которые нейроны используют для общения друг с другом, и обнаружили, что эта сеть имеет некоторые поразительные сходства с работой реального мозга.
Например, эксперименты на животных моделях показали, что правильный баланс возбуждающих и тормозящих электрических сигналов позволяет нейронам быть активными в одних обстоятельствах и отключаться в других. Когда команда Зенке обучила импульсную нейронную сеть выполнять конкретную задачу — например, распознавать произносимые слова из предложения — искусственные нейроны в сети выработали баланс между возбуждающими и тормозящими входами, хотя им не приказывали это делать. «Здесь круг замыкается: модель достигает баланса, который мы можем найти в биологии», — говорит он.
В своем последнем исследовании Зенке и его коллеги задали вопрос, как сенсорные сети представляют внешний мир в активности нейронов. Сенсорные сети в мозге обычно обновляют свои связи в ответ на внешние раздражители , а искусственные нейронные сети этого не делают — если только в алгоритмы для прогнозирования результатов не вводятся конкретные данные. Исследователи нашли простое решение этой проблемы, изменив некоторые правила обучения, которые помогают искусственной сети учиться на существующих условиях.
Предыдущие правила обучения были получены на основе экспериментальных данных , но им не хватало одного фундаментального аспекта: прогнозирования. Итак, команда Зенке разработала правила обучения, которые пытаются предсказать будущие сенсорные сигналы для каждого нейрона. «Это ключевой ингредиент, который, кажется, меняет все, что могут делать эти сети», — говорит Зенке. Полученные результаты могут помочь нейробиологам разобраться во многих экспериментальных результатах, полученных на животных моделях.
В будущем Зенке планирует создать более крупные сети из связанных нейронных цепей (принцип проектирования, используемый мозгом) для исследования того, как реальные органы моделируют внешний мир, например, для принятия решений или оценки действий других людей.
Объединение нейронных цепей в большие сети придаст искусственным моделям элементарную форму поведения, что позволит Зенке сравнивать искусственные модели с экспериментальными результатами других исследователей, включая нейробиологов из FMI, работающих с моделями животных. Прогнозы, сгенерированные моделями на основе искусственного интеллекта, также можно будет проверить на живых животных, предоставив нейробиологам дополнительные инструменты для изучения того, как работает мозг, и стимулируя прорывы, на которые в противном случае потребовались бы десятилетия.
«В FMI и в Базеле у нас есть превосходное сообщество нейробиологов, которое создает яркую атмосферу сотрудничества», — говорит Зенке. «Это фантастическое место для проведения такого рода исследований».
Теги: ИИ
