Глубокие нейронные сети раскрыть то, что мозг любит

Моментально открыв глаза обеспечивает визуальное восприятие мира-и это кажется таким простым. Но процесс, который начинается с фотонов на сетчатке и заканчивается «видеть» далеко не прост. Основная задача мозга В «видеть» реконструировать соответствующую информацию о мире из света, достигающего глаз. Поскольку этот процесс является довольно сложным, нервные клетки головного мозга — нейроны — также реагируют на образы сложными путями.

Экспериментальные подходы, позволяющие характеризовать их реакции на образы возникают трудности в части, поскольку количество возможных образов бесконечен. В прошлом, семенной выводы часто являются результатом раздражителей, что нейроны в головном мозге ‘понравилась’. Найти их опирались на интуицию ученых и хорошая порция удачи.

Исследователи из Медицинского колледжа Бэйлора и Университета Тюбингена в Германии разработан новый вычислительный подход для ускорения нахождения этих оптимальных стимулов. Они построили глубокий искусственных нейронных сетей, которые могут точно предсказать нейронных ответов производится биологического мозга в произвольных визуальных стимулов. Эти сети могут рассматриваться как виртуальные аватары популяции биологических нейронов, которые могут быть использованы для расчленения нейронные механизмы ощущений. Они продемонстрировали это путем синтезирования новых образов, что особо нейронов очень сильно реагировать.

Их исследование было опубликовано сегодня в журнале Nature нейронауки.

«Мы хотим понять, как работает зрение. Мы подошли к этому исследованию, разработке искусственной нейронной сети для прогнозирования нейронной активности вырабатывается когда животное смотрит на картинки. Если мы сможем построить такой аватар зрительной системы, мы можем выполнить практически неограниченные эксперименты на нем. Потом мы можем вернуться и проверить в режиме реального мозги с методом, который мы назвали ‘создания петель,» сказал старший автор исследования доктор Андреас Tolias, профессор и коричневый пожертвование кафедры неврологии Бэйлорского.

Чтобы сделать сеть узнать, как нейроны реагируют, ученые впервые зафиксировали большое количество активности мозга с помощью mesoscope, недавно разработанной крупномасштабной функциональной визуализации микроскопа.

«Во-первых, мы показали мышей около 5000 природных образов и фиксировали нейронную активность тысяч нейронов, как они видят», — говорит первый автор исследования доктор Эдгар Я. Уокер, бывший аспирант в лаборатории Tolias и теперь докторской ученый в Unviersty Тюбинген и Бейлор. «Затем мы использовали эти образы и соответствующие записи активности мозга тренировать глубокие искусственные нейронные сети для имитации, как реальные нейроны реагировали на зрительные стимулы.»

«Чтобы проверить, является ли сеть действительно научились предсказывать нейронных ответов на визуальные образы, как живой мыши мозг будет делать, мы показали в сети изображения он не видел во время обучения и увидел, что она предсказала биологические нейронные реакции с высокой точностью», — сказал со-первый автор исследования доктор Фабиан Синс, адъюнкт-профессор неврологии в Бэйлоре и руководитель группы в Университете Тюбингена.

«Экспериментируя с этими сетями раскрыл некоторые аспекты видения мы не ожидали», — сказал Tolias, основатель и директор Центра для нейронауки и искусственного интеллекта в Бэйлоре. «Например, мы обнаружили, что оптимальным стимулом для некоторых нейронов на ранних этапах обработки в коре мозга были checkerboards, или острые углы по сравнению с простыми краями, который является то, что мы ожидали бы, что согласно действующему догмы в поле».

«Мы считаем, что эта база сторона высоко точный искусственных нейронных сетей, выполняющих вычислительные эксперименты на них, и проверяя полученные прогнозы в физиологических экспериментах может быть использован, чтобы выяснить, как нейроны представляют информацию по всему мозгу. В итоге это позволит нам лучше представить себе, как комплекс нейрофизиологических процессов в головном мозге позволит нам увидеть», — сказал Синс.

сделать разницу: спонсорские возможности