Έλεγχος από τον Εγκέφαλο 3D Παπαρούνα Μπορεί να Οδηγήσει σε Νέα Επιστημονικά Εργαλεία για τη Νευροεπιστήμη

Ερευνητές από το Πανεπιστήμιο του Χάρβαρντ και την DeepMind έχουν πρόσφατα δημιουργήσει ένα εικονικό, βιολογικά ακριβές 3D μοντέλο μιας παπαρούνας που μπορεί να ελεγχθεί από τεχνητά νευρωνικά δίκτυα. Οι ερευνητές ελπίζουν ότι η μελέτη του πώς ένα τεχνητό νευρωνικό δίκτυο ελέγχει μια προσομοιωμένη παπαρούνα μέσα σε ένα 3D περιβάλλον μπορεί να δώσει στους νευροεπιστήμονες ενδείξεις για το πώς οι πραγματικοί εγκέφαλοι ελέγχουν τους οργανισμούς.

Όπως ανέφερε πρόσφατα το IEEE Spectrum, μία νέα μελέτη που θα παρουσιαστεί αυτή την εβδομάδα στη Διεθνή Διάσκεψη για την Εκμάθηση Αντιπροσώπων περιγράφει τη δημιουργία ενός προσομοιωμένου, 3D περιβάλλοντος. Ένα 3D μοντέλο μιας παπαρούνας υπάρχει μέσα σε αυτό το περιβάλλον, και η υπολογιστικά δημιουργημένη εργαστηριακή παπαρούνα θα ελεγχθεί από μοντέλα AI. Ο στόχος της νέας μελέτης είναι να δει αν τα νευρωνικά δίκτυα που ελέγχουν την παπαρούνα μπορεί να έχουν αναλογικές λειτουργίες που βρίσκονται σε βιολογικούς εγκέφαλους.

Τα βασικά στοιχεία των βαθιάς νευρωνικών δικτύων είναι τα νευρικά κύτταρα, ή οι κόμβοι που μετατρέπουν τα δεδομένα με μαθηματικές συναρτήσεις. Αυτά τα νευρικά κύτταρα συνδέονται μεταξύ τους σε στρώματα με τρόπο που μοιάζει με τις συνάψεις του εγκεφάλου. Αν και υπάρχουν πολλές αξιοσημείωτες διαφορές μεταξύ τεχνητών νευρωνικών δικτύων και πραγματικών εγκεφάλων, πολλοί νευροεπιστήμονες και ερευνητές πιστεύουν ότι οι ομοιότητες που υπάρχουν μεταξύ τους μπορούν να δώσουν χρήσιμες ενδείξεις για το πώς λειτουργούν οι εγκέφαλοι, потенτικά βελτιώνοντας τόσο την τεχνητή νοημοσύνη όσο και τη νευροεπιστήμη.

Το 3D υπολογιστικά δημιουργημένο περιβάλλον που δημιουργήθηκε από τους ερευνητές θα λειτουργήσει ως ένα ελεγχόμενο, πειραματικό πεδίο για τους ερευνητές της τεχνητής νοημοσύνης. Οι ερευνητές θα μπορέσουν να χρησιμοποιήσουν το περιβάλλον για να πειραματιστούν με το πώς διάφορα νευρωνικά δίκτυα αντιμετωπίζουν τις προκλήσεις και πώς προσεγγίζουν (ή δεν προσεγγίζουν) τους βιολογικούς δικτυούς. Όπως εξήγησε ο μεταδιδάκτωρ ερευνητής και συν-συγγραφέας της μελέτης Jesse Marshall, που παρατίθεται από το IEEE Spectrum, ενώ η μέση πειραματική μελέτη της νευροεπιστήμης αναλύει τους εγκέφαλους των ζώων καθώς εκτελούν μία δραστηριότητα (ή μόνο quelques δραστηριότητες), και τα περισσότερα ρομπότ σχεδιάζονται για μόνο quelques δραστηριότητες, μια πιο robust εξήγηση για το πώς λειτουργούν οι ευέλικτοι εγκέφαλοι και πώς προκύπτουν είναι απαραίτητη. Σύμφωνα με τον Marshall, η μελέτη “είναι η αρχή των προσπαθειών μας για να κατανοήσουμε πώς προκύπτει η ευελιξία και πώς εφαρμόζεται στον εγκέφαλο, και να χρησιμοποιήσουμε τις γνώσεις που αποκτάμε για να σχεδιάσουμε τεχνητά πράγματα με παρόμοιες ικανότητες”.

Η υπολογιστικά δημιουργημένη παπαρούνα είναι βιολογικά ακριβής, με όλα τα σημεία και τους μύες που θα βρείτε σε μια πραγματική παπαρούνα. Η παπαρούνα έχει επίσης προσομοιωμένες αισθήσεις όπως η αίσθηση της θέσης του σώματος στο χώρο και η όραση. Το νευρωνικό δίκτυο που ελέγχει τις κινήσεις της παπαρούνας εκπαιδεύτηκε σε τέσσερις διαφορετικές δραστηριότητες: χτύπημα σε μια μπάλα με ακριβή χρονισμό, πλοήγηση σε ένα λαβύρινθο, άλμα πάνω από χάσματα και πλοήγηση σε μια ορεινή, απότομη περιοχή.

Όταν η εικονική παπαρούνα ολοκλήρωσε τις δραστηριότητες, η ερευνητική ομάδα ανάλυσε τις ηχογραφήσεις της δραστηριότητας του δικτύου χρησιμοποιώντας τεχνικές που βασίζονται σε αυτές που χρησιμοποιούνται στον τομέα της νευροεπιστήμης. Οι ερευνητές ανάλυσαν τη δραστηριότητα του δικτύου για να καθορίσουν πώς το δίκτυο είχε υλοποιήσει το σχήμα ελέγχου κίνησης που ήταν απαραίτητο για την εκτέλεση των ανατεθειμένων δραστηριοτήτων.

Οι ερευνητές βρήκαν ότι το νευρωνικό δίκτυο επαναχρησιμοποίησε ορισμένες αναπαραστάσεις για τις διαφορετικές δραστηριότητες, εφαρμόζοντας κοινά μοτίβα σε διαφορετικές καταστάσεις. Η νευρωνική δραστηριότητα ήταν συχνά αναπαραστάθηκε ως διακριτές ακολουθίες, κάτι που έχει παρατηρηθεί σε πραγματικές παπαρούνες και πουλιά. Μια απροσδόκητη ανακάλυψη ήταν ότι η φυσική δραστηριότητα σε ένα μοντέλο AI φαινόταν να υπάρχει για μεγαλύτερο χρονικό διάστημα από ότι αναμενόταν αν το μοντέλο AI απλώς ελέγχει την κίνηση των άκρων και των μυών. Αυτό μπορεί να υποδηλώσει ότι το δίκτυο AI υλοποιεί συμπεριφορές και κίνηση σε一个 αφηρημένο επίπεδο για πράγματα όπως το άλμα και το τρέξιμο. Αυτό αντανακλά τα μοντέλα γνωστικής που έχουν προταθεί για πραγματικά ζώα.

Αν και τα τεχνητά νευρωνικά δίκτυα μπορεί να λείπουν της φυσιολογικής ενσωμάτωσης και του ρεαλισμού των πραγματικών νευρωνικών δικτύων, νευροεπιστήμονες όπως ο Blake Richards από το Πανεπιστήμιο McGill στον Καναδά, όπως ανέφερε το IEEE Spectrum, ότι τα μοντέλα μοιράζονται πολλές σημαντικές λειτουργίες νευρωνικής επεξεργασίας με γνήσια νευρωνικά δίκτυα, και είναι χρήσιμα για την πραγματοποίηση προβλέψεων σχετικά με το πώς η νευρωνική δραστηριότητα μπορεί να επηρεάσει τη συμπεριφορά.，因此, η πρόσφατη μελέτη επιτύγχασε την σχεδίαση ενός μεθόδου πειραματισμού με νευρωνικά δίκτυα και εκπαίδευσής τους σε ένα πιο ρεαλιστικό περιβάλλον, επιτρέποντας μια καλύτερη σύγκριση με πειράματα που涉ρούν βιολογικά δεδομένα.

Ο Stephen Scott, νευροεπιστήμονας από το Πανεπιστήμιο Queen’s στον Καναδά, πιστεύει επίσης ότι το πλαίσιο που σχεδιάστηκε στη νέα μελέτη μπορεί να είναι ένα χρήσιμο μέσο για την εξέταση των νευρωνικών υποβαθρών της συμπεριφοράς. Η εικονική παπαρούνα είναι ικανή να εκτελεί eine ποικιλία πολύπλοκων συμπεριφορών που μπορούν να συσχετιστούν ακριβώς με νευρωνική δραστηριότητα. Αυτό είναι ένα πλεονέκτημα σε σχέση με το πώς οι περισσότερες πειραματικές μελέτες με ζωικά μοντέλα γίνονται μόνο σε απλές δραστηριότητες, λόγω της πολυπλοκότητας της καταγραφής της νευρωνικής δραστηριότητας.

Ωστόσο, ο Scott αναγνωρίζει επίσης ότι η διαδικασία συλλογής νευρωνικών δεδομένων από ζώα που εκτελούν σύνθετες δραστηριότητες μπορεί να είναι εξαιρετικά δύσκολη.因此, ο Scott ελπίζει να δει τους συγγραφείς της μελέτης να συγκρίνουν τη νευρωνική δραστηριότητα της εικονικής παπαρούνας, καθώς εκτελεί εύκολες δραστηριότητες, με τη δραστηριότητα που βρέθηκε σε πειράματα εργαστηρίου, για να κατανοήσουν καλύτερα πώς διαφέρουν τα εικονικά μοντέλα και οι πραγματικοί εγκεφαλικοί μοτίβοι.