深度学习模型模拟大脑地形图,有助于回答大脑不同部分如何协同工作
来源:ScienceAI
编辑:凯霞
大脑中处理视觉信息的部分——颞下(IT)皮层——受损可能是毁灭性的,尤其是对成年人而言。那些受影响的人可能会失去阅读能力(一种称为失读症的疾病)或辨认面孔(面容失认症)或物体(失认症)的能力,目前医生无能为力。
更准确的视觉系统模型可以帮助神经科学家和临床医生为这些疾病开发更好的治疗方法。
近日,卡内基梅隆大学(CMU) 的研究人员开发了一种计算模型——交互式地形网络(ITN),使他们能够模拟 IT 的空间组织或地形(topography),并更多地了解相邻的脑组织簇是如何组织和相互作用的。这也可以帮助他们了解该区域的损坏如何影响识别面部、物体和场景的能力。
该研究以「A connectivity-constrained computational account of topographic organization in primate high-level visual cortex」为题,于 2022 年 1 月 18 日发布在《PNAS》上。
论文一作 Nicholas M. Blauch 博士说,这篇论文可能会帮助认知神经科学家回答关于大脑不同部分如何协同工作的长期问题。
「长期以来,我们一直在想,我们是否应该将大脑中响应面部的区域网络视为一个单独的实体,仅用于识别面部,或者我们应该把它作为目标识别的神经结构的一部分,」Blauch 说。「我们正在尝试使用一个假设这种更简单、通用的组织的计算模型来解决这个问题,并看看这个模型是否可以解释我们通过学习执行任务在大脑中看到的专业化。」
为此,研究人员开发了一种深度学习模型:交互式地形网络 (ITN),该模型具有生物大脑连接的附加特征,假设该模型可以揭示 IT 的空间组织或地形。
交互式地形网络
ITN,一种用于高级视觉皮层计算建模的框架,特别是其功能性地形组织。ITN 模型被定义为神经网络模型,其:(1)优化以执行自然任务;(2)以生物学上合理的方式约束连接以产生功能组织。
在这项工作中,介绍了一种 ITN 形式,它分为三个部分:近似早期视觉皮层的编码器、近似颞下皮层的交互式地形 (IT) 层,以及一个或多个下游任务的读出机制。编码器的目标是提取描述视觉世界的一般视觉特征,这些特征沿着支持广泛的下游读出任务的维度。
研究人员的主要建模重点是 IT 层,它由一系列受生物约束的循环层对组成。为了计算简单,这些约束没有在编码器中建模。
首先展示了特定 ITN 模型的模拟结果,将其称为主模型或「E/I-EFF-RNN」,这表明它具有负责激发和抑制(E/I)的独立神经元。前馈连接是严格兴奋性(EFF)的限制,时间循环处理是通过学习横向连接(RNN)介导的。此外,该模型使用 ResNet-50 编码器,该编码器在大型数据集上进行了预训练,包括来自对象、面部和场景域的多个类别,并在预训练后用作特征提取器它为包含单独的 pIT、cIT 和 aIT 区域的三区域 IT 提供输入。
图示:交互式地形网络产生分层域级组织。(来源:论文)
训练后,该模型在各个领域表现良好,在人脸域达到了 86.4% 的分类准确率,在物体域达到了 81.8%,在场景域达到了 65.9%。跨域的性能差异不太可能是特定架构的产物,因为它们可以在各种 DCNN 中看到,这反映了每个任务的内在难度,由于给定图像集的每个域的类别内部和类别之间存在可变性。
为了进一步确认地形组织的功能意义,研究人员分析了从 aIT 到本地类别读出层的读出权重的空间组织。研究发现平均读数权重与每个域的平均响应之间存在很大的正相关(所有 rs > 0.7,所有 Ps < 0.0001),进一步证明了响应地形的功能意义。
损伤分析
接下来,研究人员在模型中进行了一系列损伤分析,以与面部和物体识别的神经心理学数据进行比较。首先,做了局灶性病变。
图示:ITN 模型中的损伤结果。(来源:论文)
研究表明:以每个域为中心的局灶性病变导致对该域的识别异常严重,而对其他域也有较轻微但显著的缺陷。对于此类病变,所有域的缺陷均显著(所有 Ps < 0.05),并且对目标域的识别显著更强(所有 Ps < 0.05)。
局灶性病变引起的非首选区域的部分但不是全部损伤可能是由于不完善或非圆形的地形功能组织造成的。重要的是,病变的这些更分散的影响表明,功能组织虽然高度专业化,但并不是严格模块化的;对那些声称是给定模块的一部分的单元(例如,用于面部识别)的损坏仍然会影响对象识别(尽管程度较弱)。
「对其他领域有一些残留的损害,」Blauch 说。「与首选域相比,它很小,但它向我们表明,这些网络中的专业化可能很强,但也有些混杂。结合整个系统采用的一般原则,这意味着它可能被认为是一个具有内部专业化的系统,而不是一组独立模块的集合。」
一个通用的、灵活的系统在损伤后可能更有能力进行重组,正如我们在儿童身上看到的那样,与具有类似损伤的成年人相比,儿童在幼年受损后视觉功能基本上恢复了。
限制和未来方向
目前的工作仅涉及高级表示的地形组织。在卷积层中建模拓扑组织是 ITN 框架的一个特殊挑战。这些架构和其他生物学上合理的变体是一个令人兴奋的机会,可以从基于连接的约束条件中检查地形组织。
与此相关的是,尽管 ITN 由于区域间空间的限制,在解释分层的地形组织方面具有优势,但它还不能令人满意地具体解释分层表征转换的某些方面,增加了对 3D 旋转的不变性。未来工作迫切需要将 ITN 框架扩展到更强大的计算架构、训练环境和学习规则,而不是将这种计算能力委托给不同的编码器。
ITN 模型和灵长类 IT 的总体表征空间之间存在一些差异。更详细地比较不同的 ITN 模型在定量和定性上解释 IT 皮层的效果是未来研究的一条令人兴奋的路线。
虽然该工作比以前的工作提高了生物学的合理性,但通过结合布线约束、兴奋和抑制的分离以及区域之间的兴奋性连接,额外的生物学细节可能对视觉皮层的计算和组织很重要。未来的工作可能会考虑结合细节。
该研究工作对认知神经科学具有重要意义,提供了地形功能专业化的领域一般发展说明,对于计算神经科学,通过展示如何将众所周知的生物学细节纳入神经网络模型以解释经验发现。
论文链接:
https://www.pnas.org/content/119/3/e2112566119
参考内容:
https://medicalxpress.com/news/2022-02-neuroscientists-deep-simulate-brain-topography.html
未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。
如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
深度学习模型模拟大脑地形图,有助于回答大脑不同部分如何协同工作相关推荐
- 开源代码基于深度学习的超分辨率如何让大脑显微镜成像去除毛刺
背景 通过显微成像拍摄大脑非常薄的层的照片并以三维形式对其进行重构,可以确定结构在哪里以及它们之间的关系.但这会带来巨大挑战.获取高分辨率图像并快速捕获以覆盖大脑的合理区域是一项主要任务. 一部分问题 ...
- VisionBank AI实现4项技术突破----传统算法融合深度学习,重新定义“工业视觉检测大脑”
机器视觉经过长时间的发展,技术不断取得重大突破并被广泛应用,当前已遍布工业生产的各个环节.而且机器视觉易于实现自动化集成,软件集成,是实现智能制造的基础技术.据统计,中国的机器视觉市场需求近几年处于持 ...
- 深度学习的几何观点:1流形分布定律、2学习能力的上限。附顾险峰教授简历(长文慎入,公号回复“深度学习流形分布”可下载PDF资料)
深度学习的几何观点:1流形分布定律.2学习能力的上限.附顾险峰教授简历(长文慎入,公号回复"深度学习流形分布"可下载PDF资料) 原创: 顾险峰 数据简化DataSimp 今天 数 ...
- 吴恩达深度学习ppt_【深度学习】吴恩达谈深度学习:数据科学家需要知道这些...
数据科学家需要什么深度学习知识?吴恩达 (Andrew Ng)用机器看图说话,机器问答等实例告诉大家.本文是吴恩达在2015年12月在ExtractConf上的演讲摘录,含20分钟视频与ppt. An ...
- 一文盘点深度学习13个常见问题(附详细解答amp;学习资源)
作者:VIDHYA小组 翻译:陈之炎 校对:顾佳妮 本文共4700字,建议阅读10+分钟. 本文为你解答关于入门深度学习的问题,并列出了大量的资源让你起步学习. 概述 从Facebook的研究到Dee ...
- 《深度学习及其在生物医学中的应用》
Deep Learning and Its Applications in Biomedicine paper 2018年发表与Genomics Proteomics Bioinformatics 1 ...
- 关于人工智能与深度学习技术的发展历程和未来展望
引言 自2016年AlphaGo击败围棋冠军李世石后,人工智能话题逐渐火热起来.究竟什么人工智能呢?从上世纪人工智能诞生以来,都被赋予神秘的面纱.1950年,现代计算机科学之父阿兰·图灵提出了图灵测试 ...
- 专访 | 杨强教授谈CCAI、深度学习泡沫与人工智能入门
文 | 胡永波 7 月 22 - 23 日,由中国人工智能学会.阿里巴巴集团 & 蚂蚁金服主办,CSDN.中国科学院自动化研究所承办的第三届中国人工智能大会(CCAI 2017)将在杭州国际会 ...
- 谷歌发布深度学习新算法,适用于真实机器人的技能学习
https://www.toutiao.com/a6649215346496504327/ 2019-01-22 15:11:28 通过这种名叫SAC(柔性致动/评价)的强化学习算法,机器人能很快地完 ...
最新文章
- 100本名著浓缩成了100句话
- ML之NB:利用NB朴素贝叶斯算法(CountVectorizer/TfidfVectorizer+去除停用词)进行分类预测、评估
- FeHelper的安装与使用
- mysql 5.6.23 源码包安装报错_大环境下MySQL5.6源码安装实战一步步教你 CentOS6.5_64bit下编译安装...
- Apache Derby-02通过IJ简单操作DERBY
- python if else格式_Python if else条件语句详解
- hdu 3062 Party(2-sat,3级)
- Hadoop Configuration 源码详解
- 【语音识别】基于matlab MFCC+SVM特定人性别识别【含Matlab源码 533期】
- 2021全网最全Activiti7教程01(Activiti7详细介绍-欢迎收藏)
- OEM信息修改工具-深度系统OEM-DIY
- Excel表格数据如何批量乘以一个数字
- 线性表之单链表史上无敌傻瓜教程无敌无敌细节
- SeleniumWebDriver驱动2345浏览器
- TI KeyStone C66x开发板的Xilinx FPGA下载器接口、LED指示灯
- 无人驾驶一 协方差矩阵的几何意义
- docker如何使用阿里加速器的方法
- windows常见开机报错码以及解决方法
- 简单代理事件工具(百搜技术)
- activiti工作流研究——画流程图