Forskare siktar på att förbättra AI-system med nya typer av “hjärnceller”

Ett team av forskare baserat vid MIT siktar på att förbättra prestandan hos neurala nätverk genom att kombinera dem med strukturer baserade på andra typer av celler i hjärnan. Forskarteamet kommer att integrera strukturer baserade på astrocyter i neurala nätverk, i syfte att låta neurala nätverk ändra hur de hanterar signaler över tidsperioder.

Djupa neurala nätverk är inspirerade av de neurala nätverken i den mänskliga hjärnan. Förstärkningsinlärningsalgoritmer lär sig från sina misslyckanden och framgångar över tid, vilket gör att de kan bemästra komplexa utmaningar som schack och Go. Men djupa neurala nätverk har svårt när de möter vanliga problem som människor måste hantera. Varje situation som kräver allmän kunskap som inte har förvärvats i den aktuella domänen eller miljön är svår för djupa neurala nätverk att hantera.

Enligt MIT:s Picower Institute siktar forskarteamet på att göra djupa neurala nätverk mer robusta, flexibla och tillförlitliga genom att lägga till en typ av struktur baserad på astrocyter i det neurala nätverket.

Som förklarats av Newton-professorn i neurovetenskap vid MIT, Mriganak Sur, har fokuset på neuroner lett till att andra typer av hjärnceller, som spelar viktiga roller i hjärnan, har försummats. Sur förklarade att även de mest avancerade djupa neurala nätverken kan ha svårt att ta hänsyn till och lära sig från faktorer i en miljö när reglerna/sammanhanget inte varierar eller när tiden är irrelevant. I sådana förhållanden kan ett neuralt nätverk ha svårt att hålla reda på framgångsrika strategier över tid, balansera utforskning/utnyttjande och tillämpa det som har lärt sig på liknande uppgifter i en annan kontext.

Enligt Sur tyder ny bevisning på att astrocyter spelar en viktig roll i att möjliggöra för hjärnan att utföra ovanstående uppgifter, tack vare deras förmåga att fungera som ett parallellt nätverk som arbetar bredvid neuronerna. Att införa astrocyter i ett neuralt nätverk skulle tillåta AI att integrera information som samlats in över långa tidsperioder, känna igen liknande situationer och återanvända inlärda färdigheter, och modulera de synaptiska anslutningarna mellan neuronerna. Astrocyter guidar neuronerna i hjärnans prefrontala cortex att utforska scenarier och assisterar celler i striatum vid utnyttjande av situationer, båda hanteras via kemiska neuromodulatorer.

Enligt Sur tyder ny bevisning på att astrocyter spelar en viktig roll i att möjliggöra för hjärnan att utföra ovanstående uppgifter, tack vare deras förmåga att fungera som ett parallellt nätverk som arbetar bredvid neuronerna. Att införa astrocyter i ett neuralt nätverk skulle tillåta AI att integrera information som samlats in över långa tidsperioder, känna igen liknande situationer och återanvända inlärda färdigheter, och modulera de synaptiska anslutningarna mellan neuronerna. Astrocyter guidar neuronerna i hjärnans prefrontala cortex att utforska scenarier och assisterar celler i striatum vid utnyttjande av situationer, båda hanteras via kemiska neuromodulatorer.

Forskarteamet kommer att undersöka hur astrocyter kan förstärka djupa neurala nätverk genom en mängd olika experiment, var och en utförd av olika specialister. Experimentella resultat kommer att användas för att förfinare teorin som forskarteamet har. Forskarna kommer att samla in data från enkla experiment på både möss och människor och övervaka hur förändringar i hjärnregioner, astrocyter och neuromodulatorer påverkar prestandan.

Till slut kommer Alfonso Araque och Sur att övervaka möss för att se hur astrocyter fungerar medan de lär sig. De kommer också att manipulera astrocyterna för att se hur det påverkar processen för förstärkningsinlärning.

Som förklarats av teamet i deras ansökan:

“Vår centrala hypotes är att interaktionen mellan astrocyter, neuroner och neuromodulatorer är källan till den beräkningskraft som möjliggör för hjärnan att naturligt utföra belöningsinlärning och övervinna många problem som är förknippade med state-of-the-art förstärkningsinlärningssystem (RL-system).”