KI-Entwickler, inspiriert vom Rattenhirn

Heutige Systeme der künstlichen Intelligenz können Champions in herausfordernden Spielen wie Schach, Go und Texas Hold'em besiegen. In Flugsimulatoren können sie die besten Piloten abschießen. Sie sind menschlichen Ärzten überlegen, wenn es darum geht, genaue chirurgische Stiche zu erstellen und Krebsdiagnosen zu stellen. Aber in einigen Fällen kann ein dreijähriges Kind leicht die beste KI der Welt liefern: Wenn der Wettbewerb mit einem Training verbunden ist, das so routinemäßig ist, dass die Leute es nicht einmal ahnen.

Dieser Gedanke kam David Cox, einem Neurowissenschaftler in Harvard, einem KI-Experten, dem stolzen Vater einer dreijährigen Tochter, in den Sinn, als sie im Museum of National History ein langbeiniges Skelett bemerkte, mit dem Finger auf ihn zeigte und sagte: „Kamel!“ Ihr einziges Treffen mit einem Kamel fand einige Monate zuvor statt, als ihr Vater ihr ein gezeichnetes Kamel in einem Bilderbuch zeigte.

KI-Forscher nennen diese Fähigkeit, ein Objekt anhand eines einzelnen Beispiels zu identifizieren, „Lernen zu einer Zeit“ und sind schrecklich eifersüchtig auf die Fähigkeiten der Kleinen. Die heutigen KI-Systeme lernen auf ganz andere Weise. Gemäß einem autonomen Trainingssystem namens „Deep Learning“ erhält das Programm eine Reihe von Daten, aus denen Schlussfolgerungen gezogen werden können. Um die Kamel erkennende KI zu trainieren, muss das System Tausende von Kamelbildern verarbeiten - Zeichnungen, anatomische Diagramme, Fotos von einhöckrigen und zweihöckrigen Kamelen - alle Bilder mit der Bezeichnung „Kamel“. AI benötigt auch Tausende anderer Bilder mit der Aufschrift „kein Kamel“. Und wenn er all diese Daten durchlebt und die Besonderheiten des Tieres ermittelt hat, wird er zu einem hervorragenden Identifikator für Kamele. Aber Cox 'Tochter wird bis dahin Zeit haben, auf Giraffen und Schnabeltiere umzusteigen.

Cox erwähnte seine Tochter und erklärte ein Programm der US-Regierung namens Machine Intelligence von Cortical Networks, Microns. Sein ehrgeiziges Ziel ist es, die menschliche Intelligenz zurückzuentwickeln, damit Programmierer eine verbesserte KI erstellen können. Zunächst müssen Neurowissenschaftler herausfinden, welche Rechenstrategien in die graue Substanz des Gehirns einfließen. dann übersetzt das Team, das mit den Daten arbeitet, diese in Algorithmen. Eine der Hauptaufgaben der endgültigen KI wird das Training zu einem Zeitpunkt sein. "Die Menschen haben eine großartige Gelegenheit, Schlussfolgerungen zu ziehen und zu verallgemeinern", sagt Cox, "und das versuchen wir zu erfassen."

Das Fünfjahresprogramm, das von der Intelligence Intelligence Agency (IARPA) mit 100 Millionen US-Dollar finanziert wurde, konzentriert sich auf den visuellen Kortex, den Teil des Gehirns, der visuelle Informationen verarbeitet. In Zusammenarbeit mit Mäusen und Ratten planen die drei Microns-Teams, die Anordnung der Neuronen in einem Kubikmillimeter Hirngewebe festzulegen. Das mag nicht so beeindruckend klingen, aber dieser Würfel enthält ungefähr 50.000 Neuronen, die über 500 Millionen Verbindungen miteinander verbunden sind, Synapsen. Die Forscher hoffen, dass ein klares Verständnis aller Zusammenhänge es ihnen ermöglicht, die neuronalen "Schaltkreise" zu identifizieren, die während der Arbeit des visuellen Kortex aktiviert werden. Das Projekt erfordert ein spezielles Neuroimaging-System, das einzelne Neuronen mit einer Auflösung von Nanometern zeigt, die für einen Teil des Gehirns dieser Größe noch nicht erreicht wurde.

Obwohl Vertreter mehrerer Institute in jedem Microns-Team arbeiten, arbeiten die meisten Mitglieder des Teams unter der Leitung von Cox, einem Assistenzprofessor für Molekular- und Zellbiologie und Informatik in Harvard, im selben Gebäude auf dem Gebiet von Harvard. Während eines Spaziergangs durch das Labor können Sie Nagetiere beobachten, die im "Game Club" für Ratten mit Aufgaben beschäftigt sind. eine Maschine, die das Gehirn wie der beste automatische Wurstschneider schneidet; eines der schnellsten und leistungsstärksten Mikroskope der Welt. Cox glaubt, dass sie mit jeder Ausrüstung, die in vollem Umfang funktioniert, und mit enormen Investitionen menschlicher Stärke jede Chance haben, den Code dieses unglücklichen Kubikmillimeters zu knacken.

Versuchen Sie sich diese enorme Kraft des menschlichen Gehirns vorzustellen. Um Informationen über die Welt zu verarbeiten und die Funktion des Körpers aufrechtzuerhalten, werden elektrische Impulse durch 86 Milliarden Neuronen geleitet, die in das schwammige Gewebe in Ihrem Schädel gedrückt werden. Jedes Neuron hat ein langes Axon , das sich durch dieses Gewebe kräuselt und es ermöglicht, sich mit Tausenden anderer Neuronen zu verbinden, was zu Billionen von Verbindungen führt. Zeichnungen von elektrischen Impulsen korrelieren mit allen Sinnen und Empfindungen einer Person: Fingerbewegung, Verdauung des Mittagessens, Verlieben oder Erkennen eines Kamels.




Zwei-Photonen-Lasermikroskop. Ein Infrarotlaser scannt das Gehirngewebe eines lebenden Tieres, das eine bestimmte Aufgabe erfüllt. Wenn zwei Photonen gleichzeitig auf ein Neuron treffen, emittiert eine fluoreszierende Markierung ein Photon mit einer anderen Wellenlänge. Das Mikroskop zeichnet Videos mit diesen Blitzen auf (oben). "Sie können sehen, wie die Ratte denkt", sagt David Cox.

Programmierer haben seit den 1940er Jahren versucht, die Gehirnfunktion zu emulieren, als sie erstmals Softwarestrukturen entwickelten, die als künstliche neuronale Netze bezeichnet werden. Die meisten der besten modernen AIs verwenden eine moderne Form dieser Architektur: tiefe neuronale Netze, Faltungs-neuronale Netze, neuronale Rückkopplungsnetze usw. Diese Netzwerke, die auf der Struktur des Gehirns basieren, bestehen aus vielen Rechenknoten, künstlichen Neuronen, die kleine spezifische Aufgaben ausführen und miteinander verbunden sind, so dass das gesamte System beeindruckende Dinge ausführen kann.

Neuronale Netze könnten das anatomische Gehirn nicht genauer kopieren, da die Wissenschaft immer noch keine grundlegenden Informationen über das Layout des Nervensystems hat. Jacob Vogelstein, Projektmanager von Microns bei IARPA, sagt, dass Forscher normalerweise entweder im Mikromaßstab oder im Makromaßstab gearbeitet haben. „Wir haben Tools verwendet, mit denen entweder einzelne Neuronen verfolgt oder Signale aus großen Bereichen des Gehirns gesammelt wurden“, sagt er. "Es gibt eine große Lücke beim Verständnis von Operationen auf Schaltungsebene - wie Tausende von Neuronen zusammenarbeiten, um Informationen zu verarbeiten."

Die Situation hat sich dank der jüngsten technologischen Durchbrüche geändert, die es Neurowissenschaftlern ermöglicht haben, „ Connectome “ -Karten zu erstellen, die viele Verbindungen zwischen Neuronen aufdecken. Mikrometer benötigen jedoch mehr als nur ein statisches Verbindungsdiagramm. Das Team muss zeigen, wie diese Verbindungen aktiviert werden, wenn das Nagetier sieht, lernt und sich erinnert. „Es ist sehr ähnlich, wie eine Person versucht, die Funktionsweise einer elektronischen Schaltung zu verstehen“, sagt Vogelstein. "Der Chip kann im Detail untersucht werden, aber Sie werden nicht verstehen, was er tun soll, bis Sie sehen, wie er funktioniert."

Für IARPA wird ein reales Ergebnis erzielt, wenn Forscher das Muster der an der Erkennung beteiligten Neuronen verfolgen und es in eine gehirnähnlichere Architektur künstlicher neuronaler Netze übersetzen können. „Hoffentlich können die Rechenstrategien des Gehirns in Bezug auf Mathematik und Algorithmen reproduziert werden“, sagt Vogelstein. Die Regierung glaubt, dass KI-Systeme, die ähnlich wie das Gehirn funktionieren, echte Aufgaben besser bewältigen können als ihre Vorgänger. Natürlich ist es eine schwierige Aufgabe, zu verstehen, wie das Gehirn funktioniert, aber Geheimdienste möchten, dass die KI schnell lernt, nicht nur ein Kamel, sondern auch ein halb verborgenes Gesicht im körnigen Rahmen einer Überwachungskamera zu erkennen.

Ein „Spielclub“ für Cox-Ratten ist ein kleiner Raum, in dem vier mikrowellengroße Blackboxen übereinander gestapelt sind. In jeder Box befindet sich ein Rattengesicht auf dem Bildschirm, und vor seiner Nase befinden sich zwei Wasserhähne.


Im Argonne National Laboratory beschleunigt das APS-Synchrotron Elektronen und stößt gegen einen Metallfaden, wodurch extrem helle Röntgenstrahlen erzeugt werden, die sich auf ein kleines Stück Hirngewebe konzentrieren. Röntgenbilder, die aus vielen Winkeln aufgenommen wurden, werden kombiniert, um ein dreidimensionales Bild zu erstellen, das jedes Neuron in einem Stück zeigt.


Neuronen im Gehirngewebe

Im aktuellen Experiment versuchen Ratten, eine schwierige Aufgabe zu bewältigen. Der Bildschirm zeigt dreidimensionale Bilder, die von einem Computer erstellt wurden. Dies sind keine Objekte aus der Außenwelt, sondern nur klumpige abstrakte Formen. Wenn die Ratte Objekt A sieht, muss sie den linken Wasserhahn lecken, um einen Tropfen süßen Saft zu erhalten. Wenn sie Objekt B sieht, befindet sich der Saft im rechten Wasserhahn. Objekte werden jedoch aus verschiedenen Blickwinkeln dargestellt, sodass die Ratte jedes Objekt in ihrem Kopf drehen und entscheiden muss, ob es sich auf A oder B bezieht.

Die Trainingseinheiten werden mit Fotos verdünnt, für die Ratten den Korridor hinunter zu einem anderen Labor gebracht werden, wo sich ein großes Mikroskop befindet, das mit einem schwarzen Tuch bedeckt ist und wie altmodische Fotoausrüstung aussieht. Das Team verwendet ein Zwei-Photonen-Lasermikroskop, um den visuellen Kortex eines Tieres zu untersuchen, wenn es auf einen Bildschirm schaut, auf dem zwei bekannte Objekte A und B aus verschiedenen Winkeln gezeigt werden. Das Mikroskop zeichnet Blitze und Leuchten auf, die auftreten, wenn der Laser auf aktive Neuronen trifft, und ein dreidimensionales Video zeigt Bilder, die grünen Glühwürmchen ähneln, die in einer Sommernacht blitzen. Cox möchte wissen, wie sich diese Muster ändern, wenn ein Tier ein Experte für diese Aufgabe wird.

Die Auflösung des Mikroskops ist nicht gut genug, um Axone zu sehen, die Neuronen miteinander verbinden. Ohne diese Informationen können Wissenschaftler nicht bestimmen, wie ein Neuron das nächste aktiviert, um eine Informationsverarbeitungsschaltung zu erstellen. Dazu muss das Tier getötet und das Gehirn genauer untersucht werden.

Forscher schnitzen einen winzigen Würfel aus dem visuellen Kortex, den FedEx an das Argonne National Laboratory liefert. Dort erstellt der Teilchenbeschleuniger mithilfe starker Röntgenstrahlung eine dreidimensionale Karte, die einzelne Neuronen, andere Arten von Gehirnzellen und Blutgefäße zeigt. Die verbundenen Achsen im Würfel sind auf dieser Karte ebenfalls nicht sichtbar, aber es hilft später, wenn Forscher Bilder von einem Zwei-Photonen-Mikroskop mit Bildern von Elektronenmikroskopen vergleichen. "Für uns ist eine Röntgenaufnahme ein Rosetta-Stein ", sagt Cox.

Dann kehrt ein Teil des Gehirns in das Harvard-Labor von Jeff Lichtman zurück, Professor für Molekular- und Zellbiologie, einem führenden Experten für Gehirnkonnektivität. Das Lichtman-Team nimmt diesen Kubikmillimeter des Gehirns und schneidet ihn mit einer Maschine in 33.000 Stücke mit einer Dicke von 30 nm. Diese dünnsten Blätter werden auf Filmstreifen gesammelt und auf ein Siliziumsubstrat gelegt. Die Forscher verwenden dann eines der schnellsten Elektronenmikroskope der Welt, das 61 Elektronenstrahlen an jede Gewebeprobe sendet und die Elektronenstreuung misst. Eine Maschine von der Größe eines Kühlschranks arbeitet rund um die Uhr und erzeugt Bilder von jeder Scheibe mit einer Auflösung von 4 nm.





Jedes Bild ähnelt einem Abschnitt eines Würfels dicht gepackter Spaghetti. Ein Software-Bildverarbeitungssystem sammelt Scheiben in der richtigen Reihenfolge und verfolgt jeden Spaghetti-Faden, der von einer Schicht zur nächsten geht, wobei Skizzen der gesamten Länge des Axons jedes der Neuronen zusammen mit seinen Tausenden von Verbindungen mit anderen Neuronen erstellt werden. Aber Software verliert manchmal einen Thread oder verwechselt einen mit dem anderen. Menschen können besser mit Computern umgehen als mit Computern, sagt Cox. "Leider reicht die Verarbeitung so vieler Daten für Menschen auf der ganzen Erde nicht aus." Harvard- und MIT-Programmierer arbeiten an der Verfolgungsaufgabe, die sie lösen müssen, um ein genaues Diagramm der Struktur des Gehirns zu erstellen.

Durch Überlagerung dieses Diagramms mit einer Gehirnaktivitätskarte, die mit einem Zwei-Photonen-Mikroskop erhalten wurde, können rechnergestützte Hirnstrukturen erfasst werden. Zum Beispiel sollte eine solche Kombination zeigen, welches der Neuronen im Schaltkreis, entzündet, wenn die Ratte ein seltsames Objekt sieht, es mental auf den Kopf stellt und entscheidet, dass es eher wie Objekt A aussieht.

Ein weiteres schwieriges Problem für das Cox-Team ist die Geschwindigkeit. In der ersten Phase des Projekts, die im Mai endete, musste jedes Team die Ergebnisse einer Studie an einem Stück Hirngewebe mit einer Größe von 100 Kubikmikrometern zeigen. Mit solch einer reduzierten Schicht beendete das Cox-Team die Phase mit Elektronenmikroskopie und Rekonstruktion in zwei Wochen. In der zweiten Phase müssen die Teams lernen, wie man gleich große Teile in wenigen Stunden verarbeitet. Eine Skalierung von 100 μm ³ auf 1 mm ³ führt zu einer tausendfachen Volumenvergrößerung. Daher ist Coke davon besessen, jeden Schritt des Prozesses zu automatisieren, vom Training von Ratten mit Video bis zur Verfolgung von Konnektomen. "Diese IARPA-Projekte lassen die Wissenschaft wie Ingenieure aussehen", sagt er. "Wir müssen die Kurbel sehr schnell drehen."

Durch die Beschleunigung der Experimente kann das Cox-Team weitere Theorien zur Gehirnstruktur testen, die KI-Forschern helfen werden. Beim maschinellen Lernen definiert der Programmierer die allgemeine Architektur des neuronalen Netzwerks, und das Programm selbst entscheidet, wie die Berechnungen zu einer Sequenz verknüpft werden. Daher planen die Forscher, Ratten und neuronale Netze auf dieselbe visuelle Aufgabe zu trainieren und Kommunikationsmuster und -ergebnisse zu vergleichen. "Wenn wir einige Muster in den Gehirnverbindungen bemerken und sie in den Modellen nicht bemerken, kann dies ein Hinweis darauf sein, dass wir etwas falsch machen", sagt Cox.

Ein Forschungsbereich umfasst Gehirntrainingsregeln. Es wird angenommen, dass die Erkennung von Objekten durch hierarchische Verarbeitung erfolgt, bei der der erste Satz von Neuronen die Primärfarben und -formen empfängt, der nächste Satz die Kanten findet, um das Objekt vom Hintergrund zu trennen, und so weiter. Wenn ein Tier lernt, die Erkennungsaufgabe besser zu bewältigen, fragen sich die Forscher möglicherweise: Welcher der Neuronensätze in der Hierarchie ändert seine Aktivität am meisten? Und wenn die KI beginnt, dieselbe Aufgabe besser zu bewältigen, ändert sich ihr neuronales Netzwerk auf dieselbe Weise wie das neuronale Netzwerk der Ratte?

IARPA hofft, dass die Entdeckungen nicht nur auf Computer Vision, sondern auch auf maschinelles Lernen im Allgemeinen anwendbar sind. "Wir handeln alle nach dem Zufallsprinzip, aber unser Glück wird durch Beweise gestützt", sagt Cox. Er stellt fest, dass die Großhirnrinde, die äußere Schicht des Nervengewebes, in der eine Erkennung auf hoher Ebene stattfindet, im gesamten Volumen eine „verdächtig identische“ Struktur aufweist. Diese Einheitlichkeit zwingt Neurowissenschaftler und KI-Experten zu der Annahme, dass bei der Verarbeitung von Informationen im Gehirn ein grundlegendes Verbindungsschema verwendet werden kann, das sie erkennen möchten. Die Definition eines solchen Proto-Schemas kann ein Schritt vorwärts zur Allzweck-KI sein.

In der Zwischenzeit dreht Cox 'Team die Kurbel und versucht, die bewährten Verfahren schneller zum Laufen zu bringen. Ein anderer Microns-Forscher arbeitet an einer radikalen Idee. Wenn es funktioniert, sagt George Church, Professor am Harvard Institute of Biology-inspirierte Technologie. Wyssa, sie kann die Wissenschaft des Gehirns revolutionieren.

Church leitet das Microns-Team mit Tai Sing Lee von der Carnegie Malon University in Pittsburgh. Church ist dafür verantwortlich, die Verbindung zu kennzeichnen, und sein Ansatz unterscheidet sich deutlich von anderen Teams. Er benutzt kein Elektronenmikroskop, um Axonverbindungen zu verfolgen. Er glaubt, dass diese Technologie zu langsam ist und zu viele Fehler erzeugt. Er sagt, wenn Sie versuchen, Axone in einem Kubikmillimeter Gewebe zu verfolgen, werden sich Fehler ansammeln und die Verbindungsdaten kontaminieren.

Die Methode der Kirche hängt nicht von der Länge des Axons oder der Größe des untersuchten Teils des Gehirns ab. Es verwendet genetisch veränderte Mäuse und eine Technologie namens " DNA-Barcode ", die jedes Neuron mit einer eindeutigen genetischen Kennung kennzeichnet, die sowohl am Rand seiner Dendriten als auch am Ende seines langen Axons abgelesen werden kann. "Egal wie groß Ihr Axon ist", sagt er. "Mit Barcode finden Sie zwei Enden, und wie alles in der Mitte verwirrt ist, spielt keine Rolle." Sein Team verwendet Hirngewebeschnitte, die dicker sind als Cox 'Team - 20 μm statt 30 nm -, weil sie sich keine Sorgen machen müssen, den genauen Weg der Axonpassage zwischen den Schnitten zu verlieren. DNA-Sequenzierungsmaschinen zeichnen alle in einem bestimmten Slice vorhandenen Barcodes auf. Anschließend verarbeitet das Programm Listen mit genetischen Informationen und erstellt eine Karte, die zeigt, welche Neuronen mit welchen assoziiert sind.

Church und sein Kollege Anthony Zador, Professor für Neurowissenschaften am Cold Spring Harbor Laboratory in New York, haben in früheren Experimenten bewiesen, dass Barcode- und Sequenzierungstechnologien funktionieren, haben jedoch noch keine Daten in einer vollständigen Konnektivitätskarte gesammelt, die für die Arbeit am Microns-Projekt erforderlich ist . Wenn das Team dies schafft, sagt Church, dass Microns nur der Anfang seiner Versuche sein wird, eine Gehirnkarte zu erstellen: Dann möchte er ein Diagramm aller Verbindungen im gesamten Gehirn der Maus erstellen, in dem Sie 70 Millionen Neuronen und 70 Milliarden Verbindungen finden können. "Mit einem Kubikmillimeter zu arbeiten bedeutet, extrem kurzsichtig zu sein", sagt Church. "Meine Pläne enden nicht dort."


Eine Karte der Gehirnregion basierend auf der RNA-Barcodierung


Sequenziermaschine

Solche großformatigen Karten können zur Entstehung neuer Ideen für die Entwicklung von KI beitragen, die das biologische Gehirn gründlich emulieren.Aber Church, der die Rolle eines Provokateurs genießt, stellt sich eine andere Art der Entwicklung von Computern vor: Er sagt, dass Sie aufhören müssen, Siliziumkopien des Gehirns zu erstellen und ein biologisches Gehirn aufzubauen, das Computeraufgaben besser als Menschen bewältigen kann. "Ich denke, dass wir bald die Möglichkeit haben werden, uns mit synthetischer Neurobiologie zu beschäftigen und modifizierte Versionen des biologischen Gehirns zu entwickeln", sagt er. Und obwohl Siliziumcomputer biologische Systeme in Bezug auf die Geschwindigkeit der Informationsverarbeitung übertreffen, stellt sich Church ein künstliches Gehirn vor, das durch spezielle Schaltkreise ergänzt wird, die seine Arbeit beschleunigen.

Church schätzt, dass das Microns Brain Reverse Engineering-Projekt möglicherweise nicht erfolgreich ist. Er sagt, dass das Gehirn so kompliziert ist, dass Forscher, selbst wenn sie solche Maschinen bauen können, möglicherweise nicht alle Geheimnisse des Gehirns vollständig verstehen - und das ist nicht beängstigend. "Ich denke, Verständnis ist ein Fetisch für Wissenschaftler", sagt Church. "Es kann vorkommen, dass die Schaffung eines Gehirns einfacher ist als das Verständnis."