AI-styrt 3D-rotte kan føre til nye innsikter i nevrovitenskapen

Forskere fra Harvard University og DeepMind har nylig laget en virtuell, biologisk nøyaktig 3D-modell av en rotte som kan styres av kunstige nevralt nettverk. Forskerne håper at studiet av hvordan et kunstig nevralt nettverk styrer en simulerer rotte gjennom en 3D-miljø kan gi nevroforskere hint om hvordan virkelige hjerner styrer organismer.

Som IEEE Spectrum nylig rapporterte, en ny artikkel som skal presenteres denne uken på International Conference on Learning Representations detaljerer skapelsen av en simulerer, 3D-miljø. En 3D-modell av en rotte eksisterer i denne miljøen, og datamaskin-genererte lab-rotten vil bli styrt av AI-modeller. Målet med den nye studien er å se om nevralt nettverkene som styrer rotten kan ha analoge funksjoner som finnes i biologiske hjerner.

Byggesteinene til dypt nevralt nettverk er nevroner, eller noder som transformerer data med matematiske funksjoner. Disse nevronene er koblet sammen i lag på en måte som ligner på de synaptiske forbindelsene i hjernen. Selv om det finnes mange bemerkelsesverdige forskjeller mellom kunstige nevralt nettverk og virkelige hjerner, mener en rekke nevroforskere og forskere at likhetene som finnes mellom dem kan gi nyttige innsikter i hvordan hjerner fungerer, og potensielt forbedre både AI og nevrovitenskap.

Den 3D datamaskin-genererte miljøen som forskerne har laget skal fungere som en kontrollert, eksperimentell plattform for AI-forskere. Forskere vil kunne bruke miljøet til å eksperimentere med hvordan ulike nevralt nettverk håndterer utfordringer og hvordan de nærmer seg (eller ikke nærmer seg) biologiske nettverk. Som postdoktorand og medforfatter av studien Jesse Marshall forklarte, sitert av IEEE Spectrum, mens den gjennomsnittlige nevrovitenskapelige eksperimenten analyserer hjernene til dyr mens de utfører én oppgave (eller bare noen få oppgaver), og de fleste roboter er designet for bare noen få oppgaver, trengs en mer robust forklaring på hvordan fleksible hjerner fungerer og oppstår. Ifølge Marshall er artikkelen “starten på vårt forsøk på å forstå hvordan fleksibilitet oppstår og implementeres i hjernen, og bruke de innsiktene vi får til å designe kunstige agenter med lignende evner”.

Den datamaskin-genererte rotten er biologisk nøyaktig, med alle leddene og musklene en ville finne i en virkelig rotte. Rotten har også simulerer sanser som proprioception (en sans for kroppsdeler i rommet) og syn. Nevralt nettverket som styrerrottens bevegelser ble trent på fire forskjellige oppgaver: å trykke på en ball med nøyaktig timing, å navigere en labyrint, å hoppe over gap og å navigere en kupert, bratt region.

Når den virtuelle rotten fullførte oppgavene, analyserte forskergruppen opptak av nettverkets aktivitet ved hjelp av tekniker basert på de som brukes i nevrovitenskapen. Forskerne analyserte nettverkets aktivitet for å bestemme hvordan nettverket hadde manifestert den motoriske kontrollskjema nødvendig for å utføre de tilordnede oppgavene.

Forskerne fant at nevralt nettverket gjentok visse representasjoner for de forskjellige oppgavene, og anvendte felles mønster til forskjellige scenarioer. Nevralt aktiviteten ble ofte representert som diskrete sekvenser, noe som er noe som er observert i virkelige gnagere og fugler. En uventet funn var at naturlig aktivitet i en AI-modell syntes å være til stede over en lengre periode enn det som var forventet hvis AI-modellen bare skulle kontrollere bevegelsen av lemmer og muskler. Dette kan tyde på at AI-nettverket manifesterer atferd og bevegelse på et abstrakt nivå for ting som hopping og løping. Dette speiler kognitive modeller som er foreslått for virkelige dyr.

Selv om kunstige nevralt nettverk kan mangle den fysiologiske inkarnasjonen og realisme av virkelige nevralt nettverk, mener nevroforskere som Blake Richards fra McGill University i Canada, som IEEE Spectrum rapporterte, at modellene deler mange viktige funksjoner av nevralt prosessering med ekte nevralt nettverk, og de er nyttige i å gjøre prediksjoner om hvordan nevralt aktivitet kan påvirke atferd. Derfor var den nylige artikkelenes prestasjon å designe en metode for å eksperimentere med nevralt nettverk og trene dem i en mer realistisk miljø, og muliggjøre en bedre sammenligning med eksperimenter som involverer biologiske data.

Stephen Scott, en nevroforsker fra Queen’s University i Canada, mener også at rammeverket designet i den nye artikkelen kan være en nyttig metode for å undersøke de nevralt underliggende årsakene til atferd. Den virtuelle rotten er i stand til å utføre en rekke multistage, komplekse atferder som kan korreleres nøyaktig med nevralt aktivitet. Dette er en fordel i forhold til hvordan de fleste eksperimenter med dyremodeller gjøres på enkle oppgaver, på grunn av hvor komplekse opptak av nevralt aktivitet er.

Men Scott erkjenner også at prosessen med å høste nevralt data fra dyr som utfører kompliserte oppgaver kan være ekstremt vanskelig. Derfor håper Scott å se at artikkelenes forfattere sammenligner nevralt aktivitet i den virtuelle rotten, mens den utfører enkle oppgaver, med aktiviteten funnet i virkelige laboratorieeksperimenter, for bedre å forstå hvordan de virtuelle modellene og virkelige hjernemønsterne forskjeller.