Dirbtinio intelekto valdoma 3D žiurkė gali lemti naujas neuromokslų įžvalgas

Harvardo universiteto ir DeepMind mokslininkai neseniai sukūrė virtualų, biologiškai tikslų 3D žiurkės modelį, kurį galima valdyti dirbtiniais neuroniniais tinklais. Tyrėjai tikisi, kad tiriant, kaip dirbtinis neuroninis tinklas valdo imituojamą žiurkę per 3D aplinką, neurologai galėtų suprasti, kaip tikros smegenys valdo organizmus.

Kaip neseniai pranešė IEEE Spectrum, naujas popierius kuri bus pristatyta šią savaitę Tarptautinė mokymosi reprezentacijų konferencija detaliai aprašomas imituojamos 3D aplinkos kūrimas. Šioje aplinkoje yra 3D žiurkės modelis, o kompiuteriu sukurta laboratorinė žiurkė bus valdoma AI modeliais. Naujojo tyrimo tikslas – išsiaiškinti, ar žiurkę valdantys neuroniniai tinklai gali turėti analogiškų funkcijų, randamų biologinėse smegenyse.

Giliųjų neuronų tinklų statybiniai blokai yra neuronai arba mazgai, transformuojantys duomenis matematinėmis funkcijomis. Šie neuronai yra sujungti sluoksniais taip, kad būtų panašūs į smegenų sinaptinius ryšius. Nors yra daug pastebimų skirtumų tarp dirbtinių neuroninių tinklų ir tikrų smegenų, daugelis neurologų ir tyrinėtojų mano, kad tarp jų egzistuojančios paralelės galėtų suteikti naudingų įžvalgų apie tai, kaip veikia smegenys, ir galbūt patobulintų dirbtinį intelektą ir neuromokslą.

Tyrėjų sukurta 3D kompiuteriu sukurta aplinka turi veikti kaip kontroliuojama eksperimentinė platforma dirbtinio intelekto tyrinėtojams. Tyrėjai galės naudoti aplinką eksperimentuoti, kaip įvairūs neuroniniai tinklai susidoroja su iššūkiais ir kaip jie artėja (arba nesikreipia) į biologinius tinklus. Kaip paaiškino doktorantas ir tyrimo bendraautoris Jesse Marshall, cituojamas IEEE Spectrum, o vidutinis neurologijos eksperimentas analizuoja gyvūnų smegenis, kai jie atlieka vieną užduotį (arba tik kelias užduotis), o dauguma robotų yra skirti tik Keletas užduočių, reikia išsamesnio paaiškinimo, kaip veikia ir atsiranda lanksčios smegenys. Pasak Marshallo, šis dokumentas „yra mūsų pastangų suprasti, kaip lankstumas atsiranda ir įgyvendinamas smegenyse, ir panaudoti gautas įžvalgas kurdami dirbtinius agentus, turinčius panašių galimybių, pradžia.

Kompiuteriu sukurta žiurkė yra biologiškai tiksli, su visais sąnariais ir raumenimis, kuriuos galima rasti tikroje žiurkėje. Žiurkė taip pat turi imituojamus pojūčius, tokius kaip propriocepcija (savo kūno dalių pojūtis erdvėje) ir regėjimas. Žiurkės judesius valdantis neuroninis tinklas buvo išmokytas atlikti keturias skirtingas užduotis: bakstelėti į kamuolį tiksliai nustatant laiką, naršyti labirintą, šokinėti per tarpus ir naršyti kalvotoje, stačioje vietoje.

Kai virtuali žiurkė įvykdė užduotis, tyrimo grupė išanalizavo tinklo veiklos įrašus, naudodama metodus, pagrįstus tais, kurie naudojami neurologijos srityje. Tyrėjai išanalizavo tinklo veiklą, kad nustatytų, kaip tinklas parodė variklio valdymo schemą, reikalingą priskirtoms užduotims atlikti.

Tyrėjai nustatė, kad neuroninis tinklas pakartotinai panaudojo tam tikras reprezentacijas skirtingoms užduotims, taikydamas bendrus modelius skirtingiems scenarijams. Neuroninė veikla dažnai buvo vaizduojama kaip atskiros sekos, o tai buvo liudija tikriems graužikams ir paukščiams. Vienas netikėtas atradimas buvo tas, kad natūrali veikla dirbtinio intelekto modelyje atrodė ilgesnį laiką, nei tikėtasi, jei AI modelis tiesiog kontroliuotų galūnių ir raumenų judesius. Tai gali reikšti, kad AI tinklas elgseną ir judėjimą parodo abstrakčiu lygmeniu, pavyzdžiui, šokinėjant ir bėgiojant. Tai atspindi pažintinius modelius, kurie buvo pasiūlyti realiems gyvūnams.

Nors dirbtiniams neuroniniams tinklams gali trūkti tikrų neuroninių tinklų fiziologinio įsikūnijimo ir tikroviškumo, neurologai, tokie kaip Blake'as Richardsas iš McGill universiteto Kanadoje, teigia, kaip pranešė IEEE Spectrum, kad modeliai turi daug svarbių neuronų apdorojimo ypatybių su tikrais neuroniniais tinklais ir yra naudingi numatant, kaip neuroninė veikla gali paveikti elgesį. Todėl pastarojo darbo pasiekimas buvo eksperimentavimo su neuroniniais tinklais metodo sukūrimas ir jų mokymas realistiškesnėje aplinkoje, leidžiantis geriau palyginti su eksperimentais, kuriuose naudojami biologiniai duomenys.

Stephenas Scottas, neurologas iš Karalienės universiteto Kanadoje, taip pat tiki kad naujajame dokumente sukurta sistema galėtų būti naudingas metodas nagrinėjant neuroninius elgesio pagrindus. Virtuali žiurkė gali atlikti įvairius daugiapakopius sudėtingus veiksmus, kuriuos galima tiksliai koreliuoti su nervų veikla. Tai pranašumas, palyginti su tuo, kaip dauguma eksperimentų su gyvūnų modeliais atliekami atliekant tik paprastas užduotis, nes nervinės veiklos registravimas yra sudėtingas.

Tačiau Scott taip pat pripažįsta, kad sudėtingas užduotis atliekančių gyvūnų nervinių duomenų rinkimo procesas gali būti labai sunkus. Todėl Scottas tikisi, kad straipsnio autoriai palygins virtualios žiurkės nervinį aktyvumą, kai ji atlieka lengvas užduotis, su veikla, nustatyta realaus pasaulio laboratoriniuose eksperimentuose, kad geriau suprastų, kaip virtualūs modeliai ir realaus pasaulio smegenys. modeliai skiriasi.