Теперь исследователи Солка использовали вычислительную модель активности мозга, чтобы смоделировать этот процесс более точно, чем когда-либо прежде. Новая модель имитирует то, как префронтальная кора головного мозга использует явление, известное как «стробирование», для управления потоком информации между различными областями нейронов.
Он не только проливает свет на человеческий мозг, но и может использоваться при разработке новых программ искусственного интеллекта.
«Если мы сможем масштабировать эту модель для использования в более сложных системах искусственного интеллекта, это может позволить этим системам быстрее изучать вещи или находить новые решения проблем», – говорит Терренс Сейновски, глава Лаборатории вычислительной нейробиологии Солка и старший автор книги новая работа, опубликованная 24 ноября 2020 г. в Трудах Национальной академии наук.
Мозг людей и других млекопитающих известен своей способностью быстро обрабатывать стимулы – например, образы и звуки – и интегрировать любую новую информацию в то, что мозг уже знает.
Такая гибкость, позволяющая применять знания в новых ситуациях и непрерывно учиться на протяжении всей жизни, долгое время была целью исследователей, разрабатывающих программы машинного обучения или искусственный мозг. Исторически сложилось так, что когда машину учат выполнять одну задачу, машине трудно научиться адаптировать эти знания для выполнения аналогичной задачи; вместо этого каждый связанный процесс должен обучаться индивидуально.
В текущем исследовании группа Сейновски разработала новую структуру вычислительного моделирования, чтобы воспроизвести, как нейроны в префронтальной коре – области мозга, отвечающей за принятие решений и рабочую память – ведут себя во время когнитивного теста, известного как тест сортировки карточек Висконсина.
В этом задании участники должны сортировать карточки по цвету, символу или номеру – и постоянно адаптировать свои ответы по мере изменения правила сортировки карточек. Этот тест используется в клинической практике для диагностики деменции и психических заболеваний, но также используется исследователями искусственного интеллекта для оценки того, насколько хорошо их вычислительные модели мозга могут воспроизводить поведение человека.
Предыдущие модели префронтальной коры плохо справлялись с этой задачей.
Тем не менее, структура команды Сейновски интегрировала то, как нейроны управляют потоком информации по всей префронтальной коре через стробирование, делегируя различные фрагменты информации в разные субрегионы сети. Считалось, что стробирование играет важную роль в небольшом масштабе – для управления потоком информации в небольших кластерах схожих ячеек – но эта идея никогда не была интегрирована в модели по всей сети.
Новая сеть не только выполняла задачу сортировки карточек в Висконсине так же надежно, как люди, но и имитировала ошибки, наблюдаемые у некоторых пациентов. Когда части модели были удалены, система показала те же ошибки, которые наблюдались у пациентов с повреждением префронтальной коры, например, вызванным травмой или деменцией.
«Я думаю, что одна из самых захватывающих частей этого состоит в том, что, используя такого рода структуру моделирования, мы получаем лучшее представление о том, как устроен мозг», – говорит Бен Цуда, аспирант Солка и первый автор новой книги. бумага. "Это имеет значение как для машинного обучения, так и для лучшего понимания некоторых из этих заболеваний, которые влияют на префронтальную кору."
Он добавляет, что если исследователи лучше поймут, как работают вместе области префронтальной коры, это поможет направлять вмешательства при лечении травм головного мозга. Он может предложить области, на которые следует воздействовать глубокой стимуляцией мозга, например.
«Когда вы думаете о способах, которыми мозг все еще превосходит современные сети глубокого обучения, один из этих способов – универсальность и обобщаемость для задач с разными правилами», – говорит соавтор исследования Кей Тай, профессор Salk’s Systems.
Лаборатория нейробиологии и кафедра Уайли Вэйл. «В этой новой работе мы показываем, как стробирование информации может привести в действие нашу новую улучшенную модель префронтальной коры."
Затем команда хочет расширить сеть для выполнения более сложных задач, чем тест сортировки карт, и определить, дает ли сетевое стробирование искусственной префронтальной коре лучшую рабочую память во всех ситуациях.
Если новый подход будет работать в рамках широких сценариев обучения, они подозревают, что это приведет к усовершенствованию систем искусственного интеллекта, которые могут быть более приспособлены к новым ситуациям.