AI-styrd 3D-råtta kan leda till nya insikter inom neurovetenskap

Forskare från Harvard University och DeepMind har nyligen skapat en virtuell, biologiskt korrekt 3D-modell av en råtta som kan styras av artificiella neurala nätverk. Forskarna hoppas att studera hur ett artificiellt neuralt nätverk styr en simulerad råtta genom en 3D-miljö kan ge neurovetare ledtrådar om hur riktiga hjärnor styr organismer.

Som IEEE Spectrum nyligen rapporterade, en ny artikel som kommer att presenteras den här veckan på International Conference on Learning Representations beskriver skapandet av en simulerad, 3D-miljö. En 3D-modell av en råtta finns i denna miljö, och den datorgenererade lab-råttan kommer att styras av AI-modeller. Målet med den nya studien är att se om de neurala nätverk som styr råttan kan ha analoga funktioner som finns i biologiska hjärnor.

Byggstenarna i djupa neurala nätverk är neuroner, eller noder som omvandlar data med matematiska funktioner. Dessa neuroner är sammankopplade i lager på ett sätt som liknar de synaptiska anslutningarna i hjärnan. Medan det finns många betydande skillnader mellan artificiella neurala nätverk och riktiga hjärnor, tror många neurovetare och forskare att likheterna som finns mellan dem kan ge värdefulla insikter om hur hjärnor fungerar, vilket potentiellt kan förbättra både AI och neurovetenskap.

Den 3D-datorgenererade miljön som skapats av forskarna ska fungera som en kontrollerad, experimentell plattform för AI-forskare. Forskare kommer att kunna använda miljön för att experimentera med hur olika neurala nätverk hanterar utmaningar och hur de närmar sig (eller inte närmar sig) biologiska nätverk. Som postdoktorand och medförfattare till studien Jesse Marshall förklarade, citerad av IEEE Spectrum, medan den genomsnittliga neurovetenskapliga experimenten analyserar hjärnor från djur som utför en uppgift (eller bara ett fåtal uppgifter), och de flesta robotar är utformade för bara ett fåtal uppgifter, behövs en mer robust förklaring av hur flexibla hjärnor fungerar och uppstår. Enligt Marshall är artikeln “början på vår ansträngning att förstå hur flexibilitet uppstår och implementeras i hjärnan, och använda de insikter vi får för att utforma artificiella agenter med liknande förmågor”.

Den datorkonstruerade råttan är biologiskt korrekt, med alla leder och muskler som man skulle hitta i en riktig råtta. Råttan har också simulerade sinnen som proprioception (en känsla av kroppens delar i rummet) och syn. Det neurala nätverk som styr råttans rörelser tränades på fyra olika uppgifter: att knacka på en boll med exakt timing, navigera en labyrint, hoppa över gap och navigera en kuperad, brant region.

När den virtuella råttan slutförde uppgifterna, analyserade forskarteamet inspelningar av nätverkets aktivitet med hjälp av tekniker baserade på de som används inom neurovetenskapen. Forskarna analyserade nätverkets aktivitet för att bestämma hur nätverket hade manifesterat den motoriska kontrollschema som var nödvändig för att utföra de tilldelade uppgifterna.

Forskarna fann att det neurala nätverket återanvände vissa representationer för de olika uppgifterna, tillämpade gemensamma mönster på olika scenarier. Den neurala aktiviteten representerades ofta som diskreta sekvenser, vilket är något som har observerats i riktiga gnagare och i fåglar. En oväntad upptäckt var att naturlig aktivitet i en AI-modell tycktes vara närvarande under en längre period än vad som förväntades om AI-modellen bara skulle styra rörelser av lemmar och muskler. Detta kan tyda på att AI-nätverket manifesterar beteenden och rörelser på en abstrakt nivå för saker som hopp och springa. Detta speglar kognitiva modeller som har föreslagits för riktiga djur.

Även om artificiella neurala nätverk kan sakna den fysiologiska inkarnationen och realismen i riktiga neurala nätverk, hävdar neurovetare som Blake Richards från McGill University i Kanada, som IEEE Spectrum rapporterade, att modellerna delar många viktiga funktioner i neural bearbetning med äkta neurala nätverk, och de är användbara för att göra förutsägelser om hur neural aktivitet kan påverka beteende. Därför var den senaste artikeln ett framsteg genom att utforma en metod för att experimentera med neurala nätverk och träna dem i en mer realistisk miljö, vilket möjliggör en bättre jämförelse med experiment som involverar biologiska data.

Stephen Scott, en neurovetare från Queen’s University i Kanada, tror också att ramverket som utformats i den nya artikeln kan vara en användbar metod för att undersöka de neurala underlag för beteende. Den virtuella råttan kan utföra en mängd olika, komplexa beteenden som kan korreleras exakt med neural aktivitet. Detta är en fördel jämfört med hur de flesta experiment med djurmodeller utförs, eftersom det är svårt att spela in neural aktivitet under komplexa uppgifter.

Men Scott erkänner också att processen att samla in neurala data från djur som utför komplicerade uppgifter kan vara extremt svår. Därför hoppas Scott att artikelförfattarna ska jämföra den neurala aktiviteten hos den virtuella råttan, när den utför enkla uppgifter, med aktiviteten som finns i verkliga laboratorieexperiment, för att bättre förstå hur de virtuella modellerna och riktiga hjärnmönster skiljer sig.