Max Home IndustryНейроны, фундаментальные единицы мозга, сами по себе являются сложными компьютерами. Они получают входные сигналы по древовидной структуре — дендриту. Эта структура делает больше, чем просто собирает входные сигналы: она объединяет и сравнивает их, чтобы найти те особые комбинации, которые важны для роли нейронов в мозге. Более того, дендриты нейронов бывают разных форм и форм, что указывает на то, что разные нейроны могут играть разные роли в мозге.
Простая, но верная модель
В нейробиологии исторически существовал компромисс между верностью модели базовому биологическому нейрону и ее сложностью. Нейробиологи построили подробные вычислительные модели многих различных типов дендритов. Эти модели с высокой степенью точности имитируют поведение реальных дендритов. Однако компромисс заключается в том, что такие модели очень сложны. Таким образом, трудно исчерпывающе охарактеризовать все возможные реакции таких моделей и смоделировать их на компьютере. Даже самые мощные компьютеры могут моделировать лишь небольшую часть нейронов в любой области мозга.
Исследователи из отделения физиологии Бернского университета давно пытались понять роль дендритов в вычислениях, выполняемых мозгом. С одной стороны, они построили подробные модели дендритов на основе экспериментальных измерений, а с другой стороны, они построили модели нейронных сетей с очень абстрактными дендритами для обучения вычислениям, таким как распознавание объектов. Новое исследование было направлено на поиск вычислительного метода, позволяющего упростить детализированные модели нейронов при сохранении высокой степени достоверности. Эта работа возникла в результате сотрудничества экспериментальных и вычислительных нейробиологов из исследовательских групп профессора Томаса Невиана и профессора Уолтера Сена, и возглавлялась доктором Виллемом Вайбо. «Мы хотели, чтобы метод был гибким, чтобы его можно было применять ко всем типам дендритов. Мы также хотели, чтобы он был точным, чтобы он мог точно улавливать наиболее важные функции любого данного дендрита. С помощью этих более простых моделей нейронные ответы могут быть более легко охарактеризованы, и может быть проведено моделирование больших сетей нейронов с дендритами », — объясняет доктор Вайбо.
Этот новый подход использует элегантную математическую связь между откликами подробных моделей дендритов и упрощенных моделей дендритов. Благодаря этому математическому соотношению, цель, которая оптимизируется, является линейной по параметрам упрощенной модели. «Это важное наблюдение позволило нам использовать хорошо известный линейный метод наименьших квадратов для поиска оптимизированных параметров. Этот метод очень эффективен по сравнению с методами, использующими поиск нелинейных параметров, но также обеспечивает высокую степень точности», — говорит проф. . Сенн.
Инструменты, доступные для приложений AI
Основным результатом работы является сама методология: гибкий, но точный способ построения редуцированных моделей нейронов на основе экспериментальных данных и морфологических реконструкций. «Наша методология разрушает предполагаемый компромисс между достоверностью и сложностью, показывая, что чрезвычайно упрощенные модели все еще могут улавливать многие важные характеристики отклика реальных биологических нейронов», — объясняет профессор Сенн. «Что также дает представление о« существенном дендрите », простейшей возможной модели дендрита, которая по-прежнему фиксирует все возможные реакции реального дендрита, из которого он получен», — добавляет доктор Вайбо.
Таким образом, в определенных ситуациях можно установить жесткие границы того, насколько дендрит можно упростить, сохранив при этом его важные свойства отклика. «Кроме того, наша методология значительно упрощает создание моделей нейронов непосредственно из экспериментальных данных», — подчеркивает профессор Сенн, который также является членом руководящего комитета Центра искусственного интеллекта (CAIM) Университета Берна. Методология была скомпилирована в NEAT (NEural Analysis Toolkit) — программный набор инструментов с открытым исходным кодом, который автоматизирует процесс упрощения. NEAT находится в открытом доступе на GitHub.
Нейроны, используемые в настоящее время в приложениях искусственного интеллекта, чрезвычайно упрощены по сравнению с их биологическими аналогами, поскольку они вообще не содержат дендритов. Нейробиологи считают, что включение дендритоподобных операций в искусственные нейронные сети приведет к следующему скачку в технологии искусственного интеллекта. Этот новый подход и инструментарий, позволяющий включать очень простые, но очень точные модели дендритов в нейронные сети, являются важным шагом на пути к этой цели.
Эта работа была поддержана проектом Human Brain Project, Швейцарским национальным научным фондом и Европейским исследовательским советом.