«Когда получил этот инструмент, клетки начали увеличивать свою скорость активации сверх уровней, которые мы видели раньше, даже с предварительно выбранными обычными изображениями, чтобы выявить наивысшую скорость активации», – объясняет соавтор исследования Карлос Понсе, затем научный сотрудник в лаборатория старшего автора Маргарет Ливингстон в Гарвардской медицинской школе, а теперь преподаватель Вашингтонского университета в Сент-Луисе. Луи.
«В ходе каждого эксперимента начали появляться изображения, которые напоминали формы в мире, но не были реальными объектами в мире», – говорит он. "Мы наблюдали что-то, что больше походило на то, как языковые ячейки используют друг с другом."
Исследователям известно, что нейроны зрительной коры головного мозга приматов реагируют на сложные изображения, такие как лица, и что большинство нейронов весьма избирательны в своих предпочтениях изображения. В более ранних исследованиях предпочтения нейронов использовалось множество естественных изображений, чтобы увидеть, какие изображения вызывают наибольшее срабатывание нейронов. Однако этот подход ограничен тем фактом, что невозможно представить все возможные изображения, чтобы понять, что именно будет лучше всего стимулировать клетку.
Алгоритм XDREAM использует скорость возбуждения нейрона, чтобы направлять эволюцию нового синтетического изображения.
Он просматривает серию изображений в течение нескольких минут, видоизменяет их, объединяет их, а затем показывает новую серию изображений. Сначала изображения выглядели как шум, но постепенно они превратились в формы, напоминающие лица или что-то узнаваемое в окружающей среде животного, например, емкость с едой в комнате для животных или знакомых людей в хирургических скрабах.
Алгоритм был разработан Уиллом Сяо в лаборатории Габриэля Креймана в Детской больнице и протестирован на реальных нейронах в Гарвардской медицинской школе.
«Большим преимуществом этого подхода является то, что он позволяет нейрону создавать свои собственные предпочтительные изображения с нуля, используя инструмент, который ничем не ограничен, который может создавать что угодно в мире или даже вещи, которых в мире не существует. , – говорит Понсе.
«Таким образом мы разработали суперстимул, который управляет клеткой лучше, чем любой естественный стимул, о котором мы могли догадаться», – говорит Ливингстон. "Этот подход позволяет использовать искусственный интеллект, чтобы выяснить, что лучше всего запускает нейроны.
Это совершенно беспристрастный способ спросить клетку, чего она на самом деле хочет, что заставит ее срабатывать больше всего."
Из этого исследования исследователи полагают, что они видят, что мозг учится абстрагировать статистически значимые особенности своего мира. «Мы видим, что мозг анализирует визуальную сцену и руководствуется опытом, извлекая информацию, которая важна для человека с течением времени», – говорит Понсе. "Мозг адаптируется к окружающей среде и непредсказуемым образом кодирует экологически значимую информацию."
Команда считает, что эта технология может быть применена к любому нейрону в мозгу, который реагирует на сенсорную информацию, например к слуховым нейронам, нейронам гиппокампа и нейронам префронтальной коры, где можно получить доступ к воспоминаниям. «Это важно, потому что по мере того, как исследователи искусственного интеллекта разрабатывают модели, которые работают так же хорошо, как мозг – или даже лучше, – нам все равно нужно будет понимать, какие сети с большей вероятностью будут вести себя безопасно и способствовать достижению человеческих целей», – говорит Понсе. "Более эффективный ИИ может быть основан на знании того, как работает мозг."
Работа поддержана грантами Национальных институтов здравоохранения и Национального научного фонда.