El aprendizaje automático optimiza las imágenes para estimular las neuronas de los monos
ARRIBA: Una serie que muestra el proceso de evolución de imágenes generadas por redes neuronales. PONCE, XIAO Y SCHADE ET AL.
Mostrando a monos una serie de -imágenes generadas y grabación simultánea de los animales’ las actividades de las células cerebrales permiten que los sistemas de aprendizaje automático profundo generen nuevas imágenes que aumentan las células’ excitación, según dos artículos publicados hoy (2 de mayo) en Cell y Science.
“It&rsquo Es emocionante porque une los campos del aprendizaje profundo y la neurociencia. . . para tratar de entender lo que está representado en diferentes partes del cerebro” dice el neurocientífico Andreas Tolias de Baylor College of Medicine, quien no participó en ninguno de los estudios, pero realizó experimentos similares en ratones. «Creo que estos métodos y su posterior desarrollo podrían brindarnos una forma más sistemática de abrir la caja negra del cerebro». dice.
Un objetivo de la neurociencia sensorial es comprender…
Hemos estado atrapados así durante los últimos 50 años, sin poder resolver este problema, dice Ponce. Los avances recientes en el aprendizaje automático, específicamente el desarrollo de redes antagónicas generativas (GAN), ahora han permitido una solución.
Las GAN son redes neuronales que pueden, dice Ponce, tomar el mundo visual y reproducirlo en su propio abstracciones internas. Es decir, pueden generar una variedad infinita de imágenes realistas y abstractas basadas en imágenes de ejemplo que se les proporcionan.
Pensamos, ¿por qué no tomamos esta increíble red, que puede simular el mundo, y la conectamos de alguna manera? a las neuronas en el cerebro de un mono real, dice Ponce. Él explica que al reenviar información a la red sobre qué imágenes activan una neurona de manera más potente, la red podría modificar las imágenes para aumentar aún más la actividad, encontrando así esa esquiva imagen verdadera secreta que codifica la célula.
Una imagen desarrollada por una red neuronal para estimular una neurona macacaPONCE, XIAO Y SCHADE ET AL.
Para hacer esto, el equipo de Ponce implantó conjuntos de microelectrodos en las cortezas temporales inferiores de seis monos, un área ligeramente por encima y detrás de la oídos, para registrar las actividades de las neuronas de la visión. Luego mostraron a los animales 40 imágenes aleatorias generadas por una GAN e identificaron las 10 imágenes que indujeron la mayor actividad en una neurona o grupo de neuronas determinado. Los investigadores sometieron esas imágenes a un algoritmo genético que esencialmente recombinaba los píxeles para crear 30 imágenes similares y luego mostraban esas imágenes, junto con las 10 principales originales, al mono. Este ciclo se repitió hasta 250 veces durante una a tres horas hasta que el animal ya no miraba las imágenes. Como controles, el equipo también incluyó imágenes naturalistas de personas, lugares y dibujos lineales simples.
Las imágenes que resultaron de este proceso evolutivo fueron una mezcla de objetos, formas y colores, algunos de los cuales exhibieron una parcial semejanza con los monos, o las caras de los cuidadores de animales. Es importante destacar que cuando se repitió la evolución de la imagen para la misma neurona en el mismo animal en un día diferente, surgió una imagen similar.
Para ver desde esta niebla un objeto con forma de rostro que te devuelve la mirada, cuando saber que esta imagen proviene del cerebro de un mono, es probablemente una de las experiencias más mágicas que he tenido en la ciencia, dice Ponce.
A medida que las imágenes evolucionaron, estimularon más fuertemente las células que guían la evolución, el equipo fundar. Las [imágenes evolucionadas] impulsan estas neuronas dos veces mejor, o tres veces mejor que las imágenes originales o las imágenes naturales que estimularon las neuronas, por lo que es un efecto enorme, dice el neurocientífico Christof Koch del Instituto Allen para la Ciencia del Cerebro que no participó en cualquier proyecto. Es realmente sorprendente que funcionara tan bien.
De hecho, ambos artículos muestran que estas técnicas impulsan las neuronas en capacidades mucho más altas que las imágenes estándar anteriores, dice Kohitij Kar, un posdoctorado en neurociencia en el laboratorio de James DiCarlo. en el MIT, refiriéndose al estudio de Ponce y al suyo propio en Science.
El enfoque de Kar y sus colegas también fue mostrar imágenes generadas por redes neuronales a monos con conjuntos de microelectrodos implantados. Sin embargo, en el caso de este equipo, el objetivo era probar la fuerza de la red como modelo para el sistema visual.
Si bien las redes neuronales generalmente se consideran un buen modelo del sistema visual del cerebro, su arquitectura es basado en circuitos neuronales, se han realizado pruebas limitadas de su similitud funcional.
Para ver desde esta niebla un objeto con forma de cara que te devuelve la mirada, cuando sabes que esta imagen proviene del cerebro de un mono, es probablemente una de las experiencias más mágicas que he tenido en la ciencia.
Carlos Ponce, Escuela de Medicina de la Universidad de Washington en St. Louis
Para remediar esto, Kar y sus colegas mostraron el mismo conjunto de imágenes para un mono y una red neuronal y correlacionó las neuronas particulares que se dispararon en respuesta a una imagen dada con la salida de unidades particulares (funciones matemáticas) en la red. Usando esta información correlativa, la red creó nuevas imágenes que, en base a sus propias funciones matemáticas, se predijo que impulsarían la actividad de las neuronas correspondientes en el cerebro de los animales.
Si estas unidades en las redes neuronales artificiales y [ las neuronas] en el cerebro están haciendo lo mismo, entonces deberían responder a imágenes similares de la misma manera, explica Pouya Bashivan, coautor del artículo de Science que también es postdoctorado en el laboratorio de DiCarlos.
Efectivamente, demostramos que aproximadamente el 70 por ciento de las veces, siguiendo este procedimiento, podemos estirar las respuestas neuronales más de lo que habíamos visto en respuesta a imágenes naturales, dice Bashivan. El equipo espera aumentar esa tasa en el futuro mejorando aún más los modelos.
Creo que nos dirigimos hacia un futuro donde. . . Las redes neuronales algún día serán excelentes modelos del cerebro, dice Ponce, pero necesitamos obtener más información sobre cómo funciona el cerebro real para tratar de informar el desarrollo de futuras redes neuronales.
Es un proceso circular. , dice Koch. El cerebro fue una inspiración para las redes neuronales. Las redes neuronales ahora son inmensamente más poderosas que hace 50 años y, de hecho, nos están rivalizando. . . no solo eso, también nos ayudan a comprender las redes mucho más complejas que todos tenemos en la cabeza.
CR Ponce et al., Evolving images for visual neurons using a deep generative La red revela principios de codificación y preferencias neuronales, Cell, doi: 10.1016/j.cell.2019.04.005, 2019.
P. Bashivan et al., Control de la población neuronal a través de la síntesis de imágenes profundas, Science, 364, eaav9436, 2019.
¿Le interesa leer más?
El científico ARCHIVOS
Conviértase en miembro de
Reciba acceso completo a más de 35 años de archivos, así como TS Digest, ediciones digitales de The Scientist, artículos destacados, ¡y mucho más!Únase gratis hoy ¿Ya es miembro?Inicie sesión aquí