Почему вам следует заботиться о нейробиологии?
Нейробиологию следует рассматривать как корень искусственного интеллекта 🧠🤖. Чтение и осведомленность об открытиях в области нейробиологии не только позволит вам стать лучшим специалистом по искусственному интеллекту 😎, но и более тонким создателем архитектуры нейронных сетей 👩💻!
В этом месяце у нас есть три статьи из мира нейробиологии эта ссылка на AI. Первый ставит интересные вопросы о том, что такое интеллект и может ли новое определение интеллекта заставить ИИ сотрудничать с вычислительной нейробиологией и получить более прочную теоретическую основу. Во втором документе модели машинного обучения применяются для обнаружения и понимания влияния окситоцина на сети человеческого мозга и их значения для социальных взаимодействий. В заключительной статье показано, как можно точно описать нервную систему с помощью анализа Парето.
Мозговая основа динамического интеллекта для искусственного интеллекта и вычислительной нейробиологии
Джозеф Д. Монако, Канака Раджан, Грейс М. Хван, Paper
В этой статье много ссылок на концепции нейробиологии, что затрудняет чтение за один присест, но она представляет собой основу для возможного взаимодействия между теоретически управляемой вычислительной нейробиологией (CN) и искусственным интеллектом (AI). Авторы исследуют, можно ли переоценить выводы исследований мозга, чтобы стимулировать сотрудничество между ИИ и теоретически обоснованной вычислительной нейробиологией (CN). Чтобы обосновать эту гипотезу, авторы представляют динамический взгляд на интеллект, который сегодня можно смоделировать с помощью архитектуры ИИ, но с неправильным подходом. CN может помочь оценить и определить ИИ на правильном пути к созданию более совершенных моделей мозга, представляя концепцию нейронных токенов. Однако по этой теме необходимо провести много исследований.
Прежде всего, что такое интеллект? или для чего нужен интеллект? Интеллект можно рассматривать как адаптивное поведение. Поведение разнообразно, сложно и иерархически организовано. Кроме того, поведение тесно связано с концептуальным знанием, оно также иерархически организовано и реконфигурируется. Наконец, поведение означает высокоуровневое познание, которое представляет собой упорядоченную и динамичную концепцию, в которой распознаются входные и выходные значения. Все эти три элемента составляют интеллект как динамическое поведение. Однако как это определение может быть связано с AI или CN? Связь между AI и CN с динамическим интеллектом можно найти в динамике височного мозга.
Если временная динамика может показаться вам слишком далекой от интеллекта, просто подумайте о динамическом всплеске нейронов. Пиковая динамика - это временные события, которые демонстрируют синхронные группировки, используемые для расширения функциональных возможностей. Временная динамика может быть смоделирована в архитектурах ИИ, например, отсев, двоичная активация, вентили памяти. Однако подход ИИ кажется более стохастическим, в то время как изменчивость мозга нельзя спутать с шумом. Временную динамику в мозге можно рассматривать как автономные колебания, которые могут быть центральным ключом колебательной иерархии, требующей дальнейшего изучения. Эта иерархия может быть достигнута путем введения концепции дискретного и распределенного нейронного токена. Нейро-токены авторы описывают как:
дискретные функциональные состояния, ограниченные иерархическими бассейнами притяжения сложного энергетического ландшафта мозга
Эксперименты CN доказали управляемую аттрактором стабильность нейронных токенов и то, как краткосрочная нейронная пластичность может дестабилизировать активные состояния и способствовать производству токенов. К сожалению, нейровычислительная механика генераторов токенов последовательности остается неясной. Однако эти эксперименты закладывают основы для передовых концепций нейробиологии, которые могут запустить новый способ представления нейронных сетей и их иерархической организации.
В заключение авторы выделяют некоторые проблемы, с которыми в настоящее время сталкиваются как AI, так и CN. Экспериментальная нейробиология заблокирована этологической релевантностью. С другой стороны, модели ИИ часто невозможно объяснить, поскольку мы не можем понять, что делает нейронная сеть. Это уводит исследователей очень далеко от истины и открытия основных механизмов мозга.
Конвергенция теорий и целей AI / CN откроет динамические принципы интеллекта для мозга и инженерных систем обучения.
Анализ на основе модели Курамото показывает влияние окситоцина на динамику сети мозга
Шухань Чжэн, Чжичао Лян, Ючжи Цюй, Цинюань Ву, Хайянь Ву, Цюаньинг Лю, Бумага
Модель Курамото - это модель фазовой динамики с широкими приложениями от квантовых вычислений до моделирования биологии. Недавно модель Курамото была использована в нейробиологии для выявления нейронной синхронизации между областями мозга. Отсюда исследователи обнаружили иерархическую модульную организацию сети функций мозга, что сделало модель Курамото фантастическим инструментом для раскрытия сложных мозговых явлений. В этом исследовании авторы применили модель Курамото для изучения влияния окситоцина на эффекты динамической связи в головном мозге.
Окситоцин - чрезвычайно важный нейропептид в жизни человека. Фактически, этот пептид играет важную роль в социальных взаимодействиях, а также во время родов, и его часто называют «гормоном любви». Многие ученые утверждают, что окситоцин может уменьшить автономные сети, связанные с обработкой данных, в мозгу и увеличить сети, связанные с вниманием. По этой причине в этом исследовании принимаются во внимание две области мозга: лобно-теменная сеть (FPN), которая обрабатывает внешнюю информацию (например, язык), и сеть режима по умолчанию (DMN) или медиальную теменную переднюю сеть, которая обрабатывает внутреннюю информацию ( самоанализ). На основании предыдущей литературы авторы формулируют эти три гипотезы:
Окситоцин изменяет топологию сети мозга.
Окситоцин снижает синхронизацию между обнаруженными узлами в DMN, но усиливает синхронизацию в FPN.
Окситоцин увеличивает гибкость DMN и FPN, что может быть показано как повышенная изменчивость динамических паттернов сцепления во времени и у субъектов.
Были проанализированы фМРТ от 59 участников. Было проведено двойное слепое исследование, в котором случайным участникам давали окситоцин (ОТ), а остальным - плацебо (PL). Алгоритм неконтролируемого обнаружения сообщества Лувена был применен для обнаружения структуры функциональной топологии между ОТ и группой PL. Основные результаты представлены на рис.1.
Авторы обнаружили, что OT снижает синхронность в DMN и увеличивает синхронность в FPN. FPN важна для координации поведения и функций, связанных с внешней информацией. Напротив, активация DMN увеличивает самоанализ людей. Этот результат может объяснить, почему люди уделяют больше внимания другим и меньше внимания себе - потому что ОТ, которые усиливают совместное поведение людей. Кроме того, ОТ увеличивает гибкость связи между мозговой сетью. Это открытие также указывает на то, что ОТ может улучшить чувствительность к внешним сигналам, что может помочь людям и другим видам в социальной адаптации.
Нейронная оптимизация: понимание компромиссов с теорией Парето
Фабиан Палласдис, Филипп Нортон, Ян-Хендрик Шлеймер, Сюзанна Шрайбер, Paper
Нервная система оптимизирована не только для работы, но и для надежности, эффективности и гибкости.
Часто нашей системе приходится выполнять многоцелевую оптимизацию, исследуя огромное фазовое пространство возможных решений. Однако любое решение имеет свои пределы и должно обеспечивать компромисс между различными целями. Действительно, нервную систему человека можно рассматривать как совокупность архетипов, а именно людей, оптимальных в отношении одной цели. Например, на периферии сенсорных систем мы хотим максимизировать информационную емкость. Любая информация, не записанная здесь, будет потеряна навсегда. С другой стороны, нейроны имеют больше целей, таких как энергетические и структурные затраты, что приводит к более эффективному представлению поведенческих характеристик. Рассмотрение всего диапазона целей внутри системы может быть противоречивым. Это соответствует концепции оптимальности по Парето. Оптимальность по Парето позволяет измерить влияние индивидуальных ограничений на оптимизацию нервной системы и открыть новый путь для разработки алгоритмов машинного обучения и нейробиологических теорий.
Прежде чем перейти к статье, мы можем рассмотреть некоторую номенклатуру с учетом ветвления нейронов. В этом случае у нас есть две цели, которые необходимо удовлетворить: экономия проводки и скорость распространения, как показано на рисунке 2.
- Оптимальное по Парето: решение определяется как оптимальное по Парето, если ни одна цель не может быть улучшена без одновременного ухудшения других. В нейронной разводке оптимальным решением по Парето является беседка, если нет других ответвлений, которые могут улучшить экономичную разводку без снижения скорости (или наоборот).
- Доминирование по Парето: если другая беседка улучшает цели, относящиеся к вышеперечисленной беседке, это будет доминирование Парето по сравнению с исходной беседкой.
- Несравнимый по Парето: если одна ветвь имеет лучшую экономичность подключения, а вторая - более быстрое распространение сигнала, эти две морфологии называются несравнимыми по Парето. Ни одно решение не доминирует над другим.
- Граница Парето: из этих определений следует, что несколько нейронных ветвей могут быть оптимальными по Парето. Множество всех этих решений аппроксимируют границу Парето. Биологические системы всегда находятся вокруг границы Парето.
После статьи анализ Парето можно найти повсюду в неврологии. Во-первых, авторы рассматривают разводку сети с точки зрения ее стоимости и эффективности.
Многие исследования доказали, что нервные разветвления во многих областях мозга и разных видах лежат близко к границе Парето, что касается задержек проводимости и общей длины проводов. Кроме того, оптимизируется не только длина разводки, но и часто оптимизируется для разных типов нейронов. Фактически, нейроны, кажется, оптимизируют длину проводки.
В качестве второго примера авторы рассматривают компромисс в энергоснабжении. Стоимость энергии часто связана с функциональностью. Анализ Парето был успешно применен в Medial Superior Olive (MSO). Здесь можно экспериментально доказать, что клетки MSO расположены близко к Парето-оптимальному множеству. В этой области функциональные характеристики почти оптимальны, а экономия энергии повлияла только на дизайн нейронов, при этом производительность не пострадала.
Если анализ Парето показывает, что эволюционирующие структуры не лежат на границе Парето, полученной из модели, это может быть связано либо с тем, что они не оптимальны, либо потому, что в анализе отсутствовали соответствующие цели. Подход Парето может помочь в расшифровке общие принципы эволюции нервной системы, некоторые нервные системы, вероятно, эволюционировали вдоль границ Парето, что сопровождалось постепенным изменением соотношения между целями с течением времени.
Надеюсь, вам понравится этот обзор статей по нейробиологии arxivg.org мая 2021 года. Если у вас возникнут вопросы или комментарии, напишите мне по электронной почте: [email protected].
Или вы можете связаться со мной в Instagram: https://www.instagram.com/a_pic_of_science/
