Dekodowanie neuronowe odkrywa tajemnice nawigacji

streszczenie: Nowe badanie łączy dane dotyczące głębokiego uczenia się i aktywności neuronowej myszy, aby odkryć tajemnicę sposobu, w jaki poruszają się one w swoim otoczeniu.

Analizując wzorce wyzwalania neuronów „kierunku głowy” i „komórek siatki”, badacze mogą teraz dokładnie przewidzieć lokalizację i kierunek myszy, rzucając światło na złożone funkcje mózgu związane z nawigacją. Metoda ta, opracowana we współpracy z Laboratorium Badawczym Armii USA, stanowi duży krok naprzód w zrozumieniu świadomości przestrzennej i może zrewolucjonizować autonomiczną nawigację w systemach sztucznej inteligencji.

Wyniki podkreślają potencjał wykorzystania wiedzy biologicznej do sztucznej inteligencji w celu ulepszenia nawigacji robotycznej bez polegania na technologii GPS.

Kluczowe fakty:

1. Głębokie uczenie dekoduje nawigację: Naukowcy wykorzystali model głębokiego uczenia się do dekodowania aktywności neuronowej myszy, dokładnie przewidując położenie i kierunek myszy w oparciu wyłącznie o wzorce odpalania neuronów „kierunku głowy” i „komórek siatki”.
2. We współpracy z Laboratorium Badawczym Armii USA: Badanie przeprowadzono we współpracy z Laboratorium Badawczym Armii Stanów Zjednoczonych w celu połączenia wiedzy biologicznej z uczeniem maszynowym w celu ulepszenia autonomicznej nawigacji w inteligentnych systemach bez globalnego systemu pozycjonowania (GPS).
3. Potencjał systemów sztucznej inteligencji:Wyniki mogą pomóc w projektowaniu systemów sztucznej inteligencji zdolnych do autonomicznego poruszania się po nieznanych środowiskach, z wykorzystaniem mechanizmów neuronowych leżących u podstaw świadomości przestrzennej i nawigacji występujących w układach biologicznych.

źródło: Prasa komórkowa

Naukowcy połączyli model głębokiego uczenia się z danymi eksperymentalnymi, aby „dekodować” aktywność neuronową myszy.

Korzystając z tej metody, mogą precyzyjnie określić, gdzie mysz znajduje się w otwartym środowisku i w którą stronę jest zwrócona, po prostu patrząc na jej wzorce odpalania neuronów.

Zdolność do dekodowania aktywności neuronowej może zapewnić wgląd w funkcje i zachowanie poszczególnych neuronów, a nawet całych obszarów mózgu.

Wyniki te, opublikowane 22 lutego w Dziennik biofizycznymogłoby to również przynieść korzyści w projektowaniu inteligentnych maszyn, które obecnie mają problemy z niezależną nawigacją.

We współpracy z badaczami z Laboratorium Badawczego Armii Stanów Zjednoczonych zespół starszego autora Vasiliosa Maroulasa wykorzystał model głębokiego uczenia się do badania dwóch typów neuronów biorących udział w nawigacji: neuronów „kierunku głowy”, które kodują informacje o kierunku, w którym zwrócone jest zwierzę. oraz „komórki siatki”, które kodują dwuwymiarową informację o lokalizacji zwierzęcia w jego środowisku przestrzennym.

„Obecnie inteligentne systemy okazały się doskonałe w rozpoznawaniu wzorców, ale jeśli chodzi o nawigację, te same tak zwane inteligentne systemy nie działają dobrze bez współrzędnych GPS lub innego elementu sterującego procesem” – mówi Maroulas, matematyk. „. Na Uniwersytecie Tennessee w Knoxville.

„Wierzę, że kolejnym krokiem naprzód w przypadku systemów sztucznej inteligencji będzie połączenie informacji biologicznych z istniejącymi metodami uczenia maszynowego”.

W przeciwieństwie do poprzednich badań, które miały na celu zrozumienie zachowania komórek siatki, zespół oparł swoją metodę na danych eksperymentalnych, a nie symulowanych.

Dane zebrane w ramach poprzedniego badania składały się z wzorców odpalania neuronów zebranych za pomocą czujników wewnętrznych w połączeniu z materiałem wideo z „badań naziemnych” przedstawiającym rzeczywistą lokalizację myszy, pozycję głowy i ruchy podczas eksploracji otwartej przestrzeni. środowisko.

Analiza obejmowała integrację wzorców aktywności w kombinacjach kierunków głowy i komórek siatki.

„Zrozumienie i przedstawienie tych struktur neuronowych wymaga modeli matematycznych opisujących łączność wysokiego poziomu, co oznacza, że ​​nie chcę rozumieć, w jaki sposób jeden neuron aktywuje inny neuron, chcę zrozumieć, jak zachowują się grupy i zespoły neuronów” – mówi. Marule.

Dzięki nowej metodzie badacze byli w stanie przewidzieć położenie myszy i kierunek jej ruchu dokładniej niż poprzednio opisane metody. Następnie planują zintegrować informacje z innych typów neuronów biorących udział w nawigacji i przeanalizować bardziej złożone wzorce.

Naukowcy mają nadzieję, że ostatecznie ich metoda pomoże zaprojektować inteligentne maszyny, które będą w stanie poruszać się w nieznanym środowisku bez korzystania z GPS lub informacji satelitarnych. „Ostatecznym celem jest wykorzystanie tych informacji do opracowania architektury uczenia maszynowego, która będzie w stanie skutecznie poruszać się po nieznanym terenie w sposób autonomiczny i bez nawigacji GPS lub satelitów” – mówi Maroulas.

O tym newsie z badań neurologicznych

autor: Krzysztof Benke
źródło: Prasa komórkowa
Komunikacja: Christopher Benke – Komórka prasowa
zdjęcie: Zdjęcie przypisane Neuroscience News

Oryginalne wyszukiwanie: Otwarty dostęp.
„Topologiczna struktura głębokiego uczenia się do dekodowania neuronowego„Wassilios Maroulas i in. Dziennik biofizyczny

podsumowanie

Topologiczna struktura głębokiego uczenia się do dekodowania neuronowego

System orientacji przestrzennej mózgu wykorzystuje różne grupy neuronów do wspomagania nawigacji w oparciu o środowisko. Istnieją dwa sposoby kodowania informacji przestrzennych za pomocą komórek kierunku głowy i komórek siatki. Mózgi wykorzystują komórki kierujące głową do określenia kierunku, podczas gdy komórki siatki składają się z warstw neuronów powierzchniowych, które nakładają się, aby zapewnić nawigację opartą na środowisku.

Neurony te pracują w grupach, w których wiele neuronów uruchamia się jednocześnie, aby aktywować pojedynczy kierunek lub sieć głowy. Chcemy uchwycić tę strukturę strzelania i użyć jej do dekodowania kierunku głowy i położenia zwierzęcia na podstawie kierunku głowy i aktywności komórek siatki.

Zrozumienie, reprezentowanie i dekodowanie tych struktur neuronowych wymaga modeli obejmujących łączność wyższego poziomu, więcej niż łączność jednowymiarowa zapewniana przez tradycyjne modele oparte na grafach.

W tym celu w tej pracy opracowujemy topologiczną strukturę głębokiego uczenia się do dekodowania pociągów neuronowych. Nasza platforma łączy proste wykrywanie złożonych obiektów bez nadzoru z mocą głębokiego uczenia się za pośrednictwem nowej architektury, którą opracowujemy, zwanej uproszczoną splotową, rekurencyjną siecią neuronową.

Proste kompleksy, przestrzenie topologiczne, które wykorzystują nie tylko wierzchołki i krawędzie, ale także obiekty o wyższych wymiarach, w naturalny sposób uogólniają wykresy i wychwytują więcej niż tylko relacje parami.

Ponadto podejście to nie wymaga wcześniejszej wiedzy na temat aktywności neuronowej wykraczającej poza liczbę impulsów, co eliminuje potrzebę pomiarów podobieństwa.

Skuteczność i wszechstronność uproszczonej splotowej sieci neuronowej w zakresie przewidywania kierunku głowy i ścieżki pokazano za pomocą zbiorów danych dotyczących kierunku głowy i komórek siatki.