глубокое обучение
-
Процесс обратного распространения ошибки обнаружен в живом мозге
Нейросети учатся благодаря backpropagation — сигналу ошибки, который приходит к каждому нейрону индивидуально и подсказывает, как именно ему нужно измениться. Такой персональный «векторизованный» обучающий сигнал делает обучение масштабируемым и эффективным. Долгое время считалось, что в мозге такого механизма, скорее всего, нет. Но вот в Nature опубликована работа, где впервые показано это в живом мозге мышей. Эксперимент заключался в следующем: мыши с помощью интерфейса «мозг-компьютер» учились мысленно управлять активностью двух небольших групп нейронов в ретросплениальной коре (слой 5), чтобы повернуть зрительный стимул (полоску) в нужную сторону и получить награду. При этом одновременно записывали кальциевую активность как в теле нейрона (сома), так и далеко в его апикальных дендритах. Оказалось, что в дендритах возникает отдельный сигнал, который не повторяет активность тела клетки, а несёт информацию об ошибке, награде и других важных аспектах задачи. Этот дендритный сигнал индивидуален для каждого нейрона — он зависит от того, полезен ли именно этот нейрон для выполнения задачи или, наоборот, мешает. Знак сигнала (положительный или отрицательный) предсказывал, как изменится активность нейрона в процессе обучения. Когда эти дендритные сигналы искусственно подавляли с помощью оптогенетики, мыши переставали учиться. Таким образом в коре головного мозга действительно существуют векторизованные обучающие сигналы, причём обрабатываются они отдельно в дендритах. Это, вероятно, и есть биологический аналог backpropagation — механизма, с помощью которого мозг решает проблему «кому какую вину приписать» при сложном обучении.
-
Модели возраста мозга дают представление о траекториях раннего развития
Новое исследование подчеркивает, как модели возраста мозга могут отслеживать здоровое развитие младенца и выявлять влияние окружающей среды. Используя данные МРТ более 600 доношенных и недоношенных младенцев, исследователи обучили модели машинного обучения предсказывать возраст мозга и выявлять разрывы между прогнозируемым и фактическим возрастом. -
Выражения боли на лице связаны с определенной активностью мозга
Выражения лица, вызванные болью, тесно связаны с активностью мозга, что выявляет различные нейронные механизмы по сравнению с вербальными сообщениями о боли. Исследователи разработали нейробиологическую модель, используя МРТ и машинное обучение, для прогнозирования выражений лица, вызванных болью. -
ИИ превосходит экспертов в прогнозировании результатов исследований
Новое исследование показывает, что большие языковые модели (LLM) могут предсказывать результаты исследований нейронауки точнее, чем эксперты-люди, достигая точности 81% по сравнению с 63% у нейробиологов. Используя инструмент под названием BrainBench, исследователи протестировали LLM и экспертов-людей на предмет идентификации реальных и сфабрикованных тезисов исследований, обнаружив, что модели ИИ преуспели даже в тех случаях, когда нейробиологи обладали экспертными знаниями в конкретной области. -
Комплексный подход глубокого обучения к классификации поведения мышей на основе визуализации кальция по всей коре
Исследователи из Университета Кобе научили алгоритм компьютерного зрения предсказывать, движется мышь или нет, по данным функциональной визуализации мозгаГлубокое обучение — мощный инструмент нейронного декодирования, широко применяемый в системной нейробиологии и клинических исследованиях. Интерпретируемые и прозрачные модели, которые могут объяснить нейронное декодирование предполагаемого поведения, имеют решающее значение для выявления основных особенностей декодеров глубокого обучения в активности мозга. В этом исследовании изучается эффективность глубокого обучения для классификации поведенческих состояний мышей на основе данных мезоскопической визуализации кальция в коре головного мозга. Сквозной декодер на основе сверточной нейронной сети (CNN) в сочетании с рекуррентной нейронной сетью (RNN) классифицирует поведенческие состояния с высокой точностью и устойчивостью к индивидуальным различиям во временных масштабах до нескольких секунд. Используя декодер CNN-RNN, было определено, что области передних и задних конечностей в соматосенсорной коре головного мозга вносят значительный вклад в поведенческую классификацию. Выявленные результаты подразумевают, что сквозной подход потенциально может стать интерпретируемым методом глубокого обучения с беспристрастной визуализацией критических областей мозга.«Это исследование закладывает основу для дальнейшего совершенствования интерфейсов мозг-компьютер, способных декодировать поведение практически в режиме реального времени с использованием неинвазивной визуализации мозга», — считают авторы.End-to-end deep learning approach to mouse behavior classification from cortex-wide calcium imaging by Takehiro Ajioka, et al in PLOS Computational Biology. Published March 2024 https://doi.org/10.1371/journal.pcbi.1011074