Искусственно-контролируемая 3D-крыса может привести к новым открытиям в области нейробиологии

Исследователи из Гарвардского университета и DeepMind недавно создали виртуальную, биологически точную 3D-модель крысы, которую можно контролировать с помощью искусственных нейронных сетей. Исследователи надеются, что изучение того, как искусственная нейронная сеть контролирует симулированную крысу в 3D-среде, может дать нейробиологам подсказки о том, как реальные мозги контролируют организмы.

Как недавно сообщил IEEE Spectrum, новая статья, которая будет представлена на этой неделе на Международной конференции по представлению знаний, подробно описывает создание симулированной 3D-среды. В этой среде существует 3D-модель крысы, и компьютерная крыса будет контролироваться с помощью моделей ИИ. Цель нового исследования – выяснить, могут ли нейронные сети, которые контролируют крысу, иметь аналогичные функции, найденные в биологических мозгах.

Основными строительными блоками глубоких нейронных сетей являются нейроны или узлы, которые преобразуют данные с помощью математических функций. Эти нейроны соединены друг с другом в слоях таким образом, который напоминает синаптические связи мозга. Хотя между искусственными нейронными сетями и реальными мозгами существует много заметных различий, некоторые нейробиологи и исследователи считают, что параллели, существующие между ними, могут дать полезные представления о том, как работают мозги, потенциально улучшая как ИИ, так и нейробиологию.

3D компьютерная среда, созданная исследователями, должна служить контролируемой экспериментальной платформой для исследователей ИИ. Исследователи смогут использовать эту среду для экспериментов с тем, как различные нейронные сети справляются с задачами и как они подходят (или не подходят) к биологическим сетям. Как объяснил постдокторант и соавтор исследования Джесси Маршалл, цитируемый IEEE Spectrum, в то время как средний эксперимент в области нейробиологии анализирует мозг животных при выполнении одной задачи (или нескольких задач), и большинство роботов предназначены только для нескольких задач, необходим более полное объяснение того, как гибкие мозги работают и возникают. Согласно Маршаллу, статья “является началом наших усилий по пониманию того, как возникает гибкость и реализуется в мозге, и использовать знания, которые мы получаем, для проектирования искусственных агентов с аналогичными возможностями”.

Компьютерная крыса биологически точна, со всеми суставами и мышцами, которые можно найти в реальной крысе. Крыса также имеет симулированные чувства, такие как проприоцепция (чувство частей тела в пространстве) и зрение. Нейронная сеть, которая контролирует движения крысы, была обучена на четырех разных задачах: постукивании по мячу с точным таймингом, навигации в лабиринте, прыжках через пробелы и навигации в холмистой, крутой местности.

Когда виртуальная крыса выполнила задачи, исследовательская группа проанализировала записи активности сети с помощью методов, основанных на тех, которые используются в области нейробиологии. Исследователи проанализировали активность сети, чтобы определить, как сеть реализовала схему моторного контроля, необходимую для выполнения задач.

Исследователи обнаружили, что нейронная сеть повторно использовала определенные представления для разных задач, применяя общие закономерности к разным сценариям. Нейронная активность часто представлялась в виде дискретных последовательностей, что является чем-то, что было наблюдено в реальных грызунах и птицах. Одним из неожиданных открытий было то, что естественная активность в модели ИИ, казалось, присутствовала в течение более длительного периода времени, чем ожидалось, если модель ИИ просто контролировала движение конечностей и мышц. Это может указывать на то, что сеть ИИ проявляет поведение и движение на абстрактном уровне для таких вещей, как прыжки и бег. Это отражает когнитивные модели, которые были предложены для реальных животных.

Хотя искусственные нейронные сети могут не иметь физической реализации и реализма реальных нейронных сетей, нейробиологи, такие как Блейк Ричардс из Университета Макгилла в Канаде, утверждают, как сообщил IEEE Spectrum, что модели имеют многие важные особенности нейронной обработки с настоящими нейронными сетями и полезны для прогнозирования того, как нейронная активность может влиять на поведение. Следовательно, недавнее достижение статьи заключалось в разработке метода экспериментирования с нейронными сетями и обучения их в более реалистичной среде, что позволяет лучше сравнить их с экспериментами, включающими биологические данные.

Стивен Скотт, нейробиолог из Университета Квинс в Канаде, также считает, что разработанная в статье структура может быть полезным методом изучения нейронных основ поведения. Виртуальная крыса способна выполнять различные многоступенчатые, сложные поведения, которые можно точно коррелировать с нейронной активностью. Это преимущество над тем, как большинство экспериментов с животными моделями проводятся только на простых задачах, из-за сложности записи нейронной активности.

Однако Скотт также признает, что процесс сбора нейронных данных от животных, выполняющих сложные задачи, может быть чрезвычайно трудным. Поэтому Скотт надеется, что авторы статьи сравнят нейронную активность виртуальной крысы, когда она выполняет простые задачи, с активностью, найденной в реальных лабораторных экспериментах, чтобы лучше понять, как виртуальные модели и реальные закономерности мозга различаются.