Простая, но верная модель
В нейробиологии исторически существовал компромисс между верностью модели базовому биологическому нейрону и ее сложностью. Нейробиологи построили подробные вычислительные модели многих различных типов дендритов.
Эти модели с высокой степенью точности имитируют поведение реальных дендритов. Однако компромисс заключается в том, что такие модели очень сложны. Таким образом, сложно полностью охарактеризовать все возможные реакции таких моделей и смоделировать их на компьютере. Даже самые мощные компьютеры могут моделировать лишь небольшую часть нейронов в любой области мозга.
Исследователи из отдела физиологии Бернского университета давно пытались понять роль дендритов в вычислениях, выполняемых мозгом. С одной стороны, они построили подробные модели дендритов на основе экспериментальных измерений, а с другой стороны, они построили модели нейронных сетей с очень абстрактными дендритами для обучения вычислениям, таким как распознавание объектов. Новое исследование направлено на поиск вычислительного метода, позволяющего упростить детализированные модели нейронов при сохранении высокой степени достоверности. Эта работа возникла в результате сотрудничества экспериментальных и вычислительных нейробиологов из исследовательских групп проф.
Томас Невиан и проф. Уолтер Сенн, возглавляемый доктором Виллемом Вайбо. «Мы хотели, чтобы метод был гибким, чтобы его можно было применять ко всем типам дендритов. Мы также хотели, чтобы он был точным, чтобы он мог точно отражать наиболее важные функции любого данного дендрита.
С помощью этих более простых моделей нейронные реакции можно легче охарактеризовать, и можно будет проводить моделирование больших сетей нейронов с дендритами », – объясняет доктор Вайбо.
Этот новый подход использует элегантную математическую связь между откликами детальных моделей дендритов и упрощенных моделей дендритов. Благодаря этому математическому соотношению, цель, которая оптимизируется, является линейной по параметрам упрощенной модели. "Это важное наблюдение позволило нам использовать хорошо известный линейный метод наименьших квадратов для нахождения оптимизированных параметров.
Этот метод очень эффективен по сравнению с методами, использующими нелинейный поиск параметров, но также обеспечивает высокую степень точности », – говорит Проф. Сенн.
Инструменты, доступные для приложений AI
Основным результатом работы является сама методология: гибкий, но точный способ построения редуцированных моделей нейронов из экспериментальных данных и морфологических реконструкций. «Наша методология разрушает предполагаемый компромисс между достоверностью и сложностью, показывая, что чрезвычайно упрощенные модели все еще могут улавливать многие важные характеристики отклика реальных биологических нейронов», – сказал профессор. Сенн объясняет. «Что также дает представление о« существенном дендрите », простейшей возможной модели дендрита, которая по-прежнему фиксирует все возможные реакции реального дендрита, из которого он получен», – добавляет доктор Вайбо.
Таким образом, в конкретных ситуациях могут быть установлены жесткие границы того, насколько дендрит можно упростить, сохранив при этом его важные свойства отклика. «Кроме того, наша методология значительно упрощает создание моделей нейронов непосредственно из экспериментальных данных», – сказал профессор.
Сенн подчеркивает, что он также является членом руководящего комитета Центра искусственного интеллекта (CAIM) Бернского университета. Методология была скомпилирована в NEAT (NEural Analysis Toolkit) – программный набор инструментов с открытым исходным кодом, который автоматизирует процесс упрощения. NEAT публично доступен на GitHub.
Нейроны, используемые в настоящее время в приложениях искусственного интеллекта, чрезвычайно упрощены по сравнению с их биологическими аналогами, поскольку они вообще не содержат дендритов.
Нейробиологи считают, что включение дендритоподобных операций в искусственные нейронные сети приведет к следующему скачку в технологии искусственного интеллекта. Позволяя включать очень простые, но очень точные модели дендритов в нейронные сети, этот новый подход и инструментарий являются важным шагом на пути к этой цели.
Эта работа была поддержана проектом Human Brain Project, Швейцарским национальным научным фондом и Европейским исследовательским советом.