AI-styret 3D-rat kan føre til nye neurovidenskabelige indsigt

Forskere fra Harvard University og DeepMind har nylig skabt en virtuel, biologisk præcis 3D-model af en rotte, der kan styres af kunstige neurale netværk. Forskerne håber, at studiet af, hvordan et kunstigt neuralt netværk styrer en simuleret rotte gennem en 3D-miljø, kan give neuroforskere hints om, hvordan rigtige hjerner styrer organismer.

Som IEEE Spectrum nylig rapporterede, en ny artikel, der skal præsenteres denne uge på International Conference on Learning Representations, detaljerer skabelsen af en simuleret, 3D-miljø. En 3D-model af en rotte findes i denne miljø, og computer-genereret lab-rotte vil blive styret af AI-modeller. Formålet med den nye studie er at se, om de neurale netværk, der styrer rotten, måske har analoge funktioner fundet i biologiske hjerner.

Byggestenene for dybe neurale netværk er neuroner, eller noder, der transformerer data med matematiske funktioner. Disse neuroner er forbundet i lag i en måde, der ligner de synaptiske forbindelser i hjernen. Selv om der er mange bemærkelsesværdige forskelle mellem kunstige neurale netværk og rigtige hjerner, mener en række neuroforskere og forskere, at parallellerne mellem de to kan give nyttige indsigt i, hvordan hjerner fungerer, og potentielt forbedre både AI og neurovidenskab.

Den 3D-computer-genererede miljø, som forskerne har skabt, skal fungere som en kontrolleret, eksperimentel platform for AI-forskere. Forskere vil kunne bruge miljøet til at eksperimentere med, hvordan forskellige neurale netværk håndterer udfordringer og hvordan de nærmer sig (eller ikke nærmer sig) biologiske netværk. Som postdoc-forsker og medforfatter af studiet Jesse Marshall forklarede, citeret af IEEE Spectrum, mens den gennemsnitlige neurovidenskabelige eksperiment analyserer hjerner fra dyr, der udfører en opgave (eller kun få opgaver), og de fleste robotter er designet til kun få opgaver, er en mere robust forklaring på, hvordan fleksible hjerner fungerer og opstår, nødvendig. Ifølge Marshall er artiklen “starten på vores bestræbelser for at forstå, hvordan fleksibilitet opstår og implementeres i hjernen, og bruge de indsigt, vi får, til at designe kunstige agenter med lignende evner”.

Den computer-ingeniør-rotte er biologisk præcis, med alle led og muskler, man ville finde i en rigtig rotte. Rotten har også simulerede sanser som proprioception (en fornemmelse af kroppens dele i rummet) og syn. Det neurale netværk, der styrerrottens bevægelser, blev trænet på fire forskellige opgaver: at trykke på en bold med præcis timing, at navigere i en labyrint, at springe over huller og at navigere i et bjergrigt, stejlt område.

Når den virtuelle rotte udførte opgaverne, analyserede forskerholdet optagelser af netværkets aktivitet ved hjælp af teknikker baseret på dem, der bruges i neurovidenskaben. Forskerne analyserede netværkets aktivitet for at bestemme, hvordan netværket havde manifestet den motoriske kontrolskema, der var nødvendig for at udføre de tildelte opgaver.

Forskerne fandt, at det neurale netværk genbrugte visse repræsentationer for de forskellige opgaver, og anvendte fælles mønstre til forskellige scenarier. Den neurale aktivitet blev ofte repræsenteret som diskrete sekvenser, hvilket er noget, der er set i rigtige gnavere og fugle. En uventet opdagelse var, at naturlig aktivitet i en AI-model syntes at være til stede over en længere periode end forventet, hvis AI-modellen blot skulle styre bevægelse af lemmer og muskler. Dette kunne tyde på, at AI-netværket manifestere adfærd og bevægelse på et abstrakt niveau for ting som spring og løb. Dette spejler kognitive modeller, der er foreslået for rigtige dyr.

Selv om kunstige neurale netværk måske mangler den fysiologiske inkarnation og realisme af rigtige neurale netværk, mener neuroforskere som Blake Richards fra McGill University i Canada, som IEEE Spectrum rapporterede, at modellerne deler mange vigtige funktioner af neural proces med ægte neurale netværk, og de er nyttige til at gøre forudsigelser om, hvordan neural aktivitet kan påvirke adfærd. Derfor var den seneste artikels præstation at designe en metode til at eksperimentere med neurale netværk og træne dem i en mere realistisk miljø, hvilket muliggør en bedre sammenligning med eksperimenter, der involverer biologiske data.

Stephen Scott, en neuroforsker fra Queen’s University i Canada, mener også, at rammeværket, der er designet i den nye artikel, kan være en nyttig metode til at undersøge de neurale underliggende årsager til adfærd. Den virtuelle rotte kan udføre en række multistage, komplekse adfærder, der kan korreleres præcist med neural aktivitet. Dette er en fordel i forhold til, hvordan de fleste eksperimenter med dyremodeller udføres på simple opgaver, på grund af, hvordan komplekse optagelser af neural aktivitet er.

Men Scott erkender også, at processen med at høste neural data fra dyr, der udfører komplicerede opgaver, kan være ekstremt svær. Derfor håber Scott at se, at artiklens forfattere sammenligner den neurale aktivitet af den virtuelle rotte, da den udfører lette opgaver, med den aktivitet, der findes i virkelige laboratorieeksperimenter, for bedre at forstå, hvordan de virtuelle modeller og virkelige hjernemønstre adskiller sig.