Wie KI und Neurowissenschaften sich gegenseitig voranbringen

Die Kombination von KI und Gehirnforschung verspricht Vorteile für beide Bereiche

Cetan Pandarinah möchte Menschen mit gelähmten Gliedmaßen die Möglichkeit geben, Objekte mit Hilfe eines Roboterarms so natürlich wie mit seinem eigenen zu bedienen. Um dieses Ziel zu erreichen, sammelte er Aufzeichnungen über die Gehirnaktivität bei Menschen mit Lähmungen. Seine Hoffnung, die viele Forscher teilen, ist, dass es möglich ist, elektrische Aktivitätsmuster in den Neuronen zu etablieren, die die Bewegung der Hand steuern, so dass diese Anweisungen dann an die Prothese weitergeleitet werden können. Dies ist im Wesentlichen eine Lesart des Denkens.

"Es stellt sich heraus, dass diese Gehirnsignale sehr schwer zu verstehen sind", sagte ein biomedizinischer Ingenieur am Georgia Institute of Technology in Atlanta, Pandarin. Auf der Suche nach einer Lösung für das Problem wandte er sich an AI. Er verwendete seine Aufzeichnungen der Gehirnaktivität, um ein künstliches neuronales Netzwerk zu trainieren - eine Computerarchitektur, deren Idee vom Gehirn entlehnt wurde, und stellte ihm die Aufgabe, Daten zu reproduzieren.

Es wurden Aufzeichnungen über eine kleine Gruppe von Neuronen im Gehirn gemacht - etwa 200 von 10 bis 100 Millionen Neuronen, die die Bewegung menschlicher Hände steuern. Damit eine so kleine Stichprobe Sinn macht, musste der Computer Muster finden, die Forscher als versteckte Faktoren bezeichnen, die das Gesamtverhalten der aufgezeichneten Gehirnaktivität steuern. Diese Studie enthüllte die zeitliche Dynamik neuronaler Aktivität und erzeugte genauere Anweisungen für die Handbewegung als frühere Methoden. "Jetzt können wir auf die nächste Millisekunde genau sagen, dass das Versuchstier versucht, sich in genau diesem Winkel zu bewegen", erklärt Pandarinakh. "Genau das müssen wir wissen, um den Roboterarm zu steuern."

Seine Arbeit ist nur ein Beispiel für die zunehmende Interaktion zwischen KI und Kognitionswissenschaft. Die KI mit ihrer Fähigkeit, Muster in großen, komplexen Datensätzen zu identifizieren, hat in den letzten zehn Jahren bemerkenswerte Fortschritte erzielt und insbesondere den Prozess nachgeahmt, mit dem das Gehirn bestimmte Berechnungen durchführt. ANNs, ähnlich den Netzwerken von Neuronen, aus denen das Gehirn besteht, gaben Computern die Möglichkeit, das Bild einer Katze von anderen Bildern zu unterscheiden, Fußgänger mit einer Genauigkeit zu identifizieren, die ausreicht, um unbemannte Fahrzeuge zu fahren, Sprache zu erkennen und darauf zu reagieren. Jetzt beginnt die Kognitionswissenschaft, von der Kraft der KI zu profitieren, sowohl als Modell für die Entwicklung und Erprobung von Ideen zur Durchführung von Berechnungen durch das Gehirn als auch als Werkzeug für die Verarbeitung komplexer Datenarrays, die in Studien wie denen von Pandarinakh erhalten wurden. "Die Technologie hat ihre Entwicklung grundlegend revolutioniert und wird nun angewendet, um zu verstehen, wie das Gehirn selbst funktioniert", sagt er [ Chethan Pandarinath Pub. ]. Dieser gegenseitige Verstärkungszyklus wird wahrscheinlich fortgesetzt. Da die KI es Neurowissenschaftlern ermöglicht, sich ein Bild davon zu machen, wie das Gehirn Berechnungen durchführt, kann ihre weitere Forschung zu Maschinen führen, die mehr von der menschlichen Intelligenz übernehmen können.

Natürlich verbinden sich die beiden Disziplinen, sagt Manesh Sahani, Neurowissenschaftler und Forscher für maschinelles Lernen am Gatsby's Department für Computational Neurobiology am University College London. „Wir lernen dasselbe effektiv. In einem Fall fragen wir, wie dieses Lernproblem mathematisch gelöst werden kann, damit es effektiv in einer Maschine implementiert werden kann. In einem anderen Fall betrachten wir den einzigen Beweis dafür, dass ein Problem gelöst werden kann, das Gehirn “[ Maneesh Sahani Pub. ].

Mit Daten arbeiten

KI-Methoden sind nicht nur nützlich, um Modelle zu erstellen und Ideen zu generieren, sondern auch als Werkzeuge zur Datenverarbeitung. „Neuronale Daten sind sehr komplex, und deshalb verwenden wir häufig Methoden des maschinellen Lernens, um darin eine Struktur zu finden“, sagt Sahani. Die Hauptkraft des maschinellen Lernens besteht darin, Muster zu erkennen, die in riesigen Datensätzen möglicherweise zu subtil oder zu verborgen sind, als dass Menschen sie erkennen könnten.

Die funktionelle Magnetresonanztomographie erzeugt beispielsweise Aktivitätsbilder im gesamten Gehirn mit einer Auflösung von etwa 1 bis 2 Millimetern pro Sekunde, möglicherweise für Stunden. "Die Aufgabe der kognitiven Neurobiologie besteht darin, ein nützliches Signal in Bildern zu finden, die sehr, sehr groß sind", sagt Nicholas Turk-Brown, ein kognitiver Neurowissenschaftler an der Yale University in New Haven, Connecticut. Turk-Brown leitet eines von mehreren Projekten, die nach neuen Ideen an der Schnittstelle von Datenwissenschaft und Neurowissenschaften suchen [ Nicholas B. Turk-Browne Pub. ].

Die Verwendung einer Maschine zur Analyse dieser Daten beschleunigt die Forschung. "Dies ist eine große Veränderung in der Art und Weise, wie neurobiologische Forschung betrieben wird", sagte David Susillo, ein neuronaler Rechner für das Google Brain-Team in San Francisco, Kalifornien. „Doktoranden müssen keine unnötigen Routinearbeiten ausführen - sie können sich auf größere Themen konzentrieren. Sie können viel automatisieren und genauere Ergebnisse erzielen. “

Reproduktion von Gefühlen

Die Schaffung eines künstlichen Systems zur Reproduktion von Gehirndaten war ein Ansatz von Daniel Yamins, einem Computational Neuroscientist am Wu Tsai Institute of Neuroscience der Stanford University. Im Jahr 2014, als Yamins nach seiner Promotion am Massachusetts Institute of Technology in Cambridge und seine Kollegen das neuronale Netzwerk trainierten, um die Gehirnaktivität eines Affen vorherzusagen, wenn er bestimmte Objekte erkannte [ Yamins, DLK et al., 2014 ]. Die Erkennung von Objekten bei Menschen und Affen erfolgt durch das Gehirnsystem, das als ventraler visueller Fluss bezeichnet wird und zwei architektonische Hauptmerkmale aufweist. Erstens handelt es sich um eine Retinotopie , dh die visuellen Verarbeitungswege im Gehirn sind so organisiert, dass das Auge visuelle Informationen wahrnimmt. Zweitens ist das System hierarchisch; Bestimmte Bereiche des Kortex führen immer komplexere Aufgaben aus, von einer Ebene, die nur die Konturen von Objekten identifiziert, bis zu einer höheren Ebene, die ein gesamtes Objekt erkennt, z. B. ein Auto oder ein Gesicht. Details zur Funktionsweise der oberen Schichten sind nicht bekannt. Infolgedessen kann das Gehirn ein Objekt an verschiedenen Positionen unter verschiedenen Lichtbedingungen erkennen, wenn es aufgrund unterschiedlicher Abstände eine unterschiedliche Größe hat und selbst wenn es teilweise verborgen ist. Computer können solche Schwierigkeiten oft nicht bewältigen.

Jamins und seine Kollegen bauten ihr tief lernendes neuronales Netzwerk in Übereinstimmung mit derselben hierarchischen Architektur der Retinotopie wie im Gehirn auf und zeigten Tausende von Bildern von 64 Objekten, die sich in Eigenschaften wie Größe und Position unterschieden. Als das Netzwerk lernte, Objekte zu erkennen, entwickelte es mehrere mögliche Muster neuronaler Aktivität. Die Forscher verglichen diese Computermuster dann mit Mustern, die auf Affenneuronen zu einem Zeitpunkt aufgezeichnet wurden, als sie eine ähnliche Aufgabe ausführten. Es stellte sich heraus, dass die Netzwerkoptionen, die Objekte am besten erkannten, Aktivitätsmuster aufwiesen, die den Affenhirnmustern am nächsten kamen. „Wir haben festgestellt, dass die neuronale Struktur in der Struktur des Netzwerks simuliert wird“, sagt Jamins. Die Forscher konnten Bereiche ihres Netzwerks mit Bereichen des Gehirns mit einer Genauigkeit von fast 70% vergleichen.

Die Ergebnisse bestätigten, dass die Architektur des ventralen visuellen Flusses für den Erkennungsprozess im visuellen System des Gehirns sehr wichtig ist. Im Jahr 2018 gelang Jamins und Kollegen ein ähnlicher Durchbruch bei der Erforschung des auditorischen Kortex, für den sie ein tief lernendes neuronales Netzwerk schufen, das Wörter und Musikgenres in 2-Sekunden-Clips mit der gleichen Genauigkeit wie Menschen identifizieren konnte [ Kell, AJE et al. 2018 ]. Dies half den Forschern festzustellen, welche Bereiche der Großhirnrinde Spracherkennung durchführen und welche Musik erkennen - ein neuer Schritt zum Verständnis des auditorischen Systems des Gehirns.

Neurowissenschaftler sind noch weit davon entfernt zu verstehen, wie das Gehirn eine Aufgabe wie die Unterscheidung zwischen Jazz- und Rockmusik bewältigt, aber maschinelles Lernen gibt ihnen die Möglichkeit, Modelle zu entwickeln, mit denen sie diese Probleme untersuchen können. Wenn Forscher Systeme entwickeln können, die ähnlich wie das Gehirn funktionieren, sagt Jamins, kann ihre Struktur Ideen vorschlagen, wie das Gehirn solche Probleme löst. Dies ist wichtig, da Wissenschaftler häufig keine Arbeitshypothese zur Funktionsweise des Gehirns haben [ Daniel Yamins Pub. ].

Nachdem die Forscher eine Hypothese erstellt haben, besteht der nächste Schritt darin, sie zu testen. Durch Ändern der Parameter von KI-Modellen können Sie sich ein Bild von der Aktivität des Gehirns machen und sehen, welche Faktoren für eine bestimmte Aufgabe wichtig sein können. Forscher sind durch ethische Überlegungen eingeschränkt, inwieweit sie Prozesse in einem gesunden menschlichen Gehirn stören können. Daher werden viele Aufzeichnungen der neuronalen Aktivität beim Menschen im Gehirn von Personen gemacht, die an Epilepsie leiden und Gehirngewebe entfernen müssen. Dies liegt daran, dass die Implantation von Elektroden in das Hirngewebe erlaubt ist, die in jedem Fall entfernt werden. Versuchstiere ermöglichen es Forschern, invasivere Verfahren anzuwenden, aber es gibt Formen menschlichen Verhaltens, insbesondere Sprache, die von anderen Arten nicht reproduziert werden können. KI-Systeme, die menschliches Verhalten nachahmen und jeglichen Auswirkungen ausgesetzt werden können, ohne ethische Probleme zu verursachen, bieten Wissenschaftlern zusätzliche Werkzeuge, um die Funktionsweise des Gehirns zu untersuchen. Forscher können beispielsweise einem Netzwerk beibringen, Sprache zu reproduzieren, und es dann abbauen, um zu untersuchen, wie dies mit der Exposition zusammenhängt (ein weiteres interessantes Beispiel für die Modellierung von Gefühlen durch neuronale Netzwerke - Gefühle von Zahlen finden Sie in dieser Veröffentlichung auf Habré - Anmerkung des Übersetzers ).

Allgemeine Überlegungen

Computer- und Kognitionswissenschaften lösen einige wichtige Fragen, und das Verständnis, wie sie in einem dieser Bereiche beantwortet werden können, kann in beiden Bereichen zu Fortschritten führen. Eine dieser Fragen ist, wie genau das Training verläuft. Neuronale Netze führen hauptsächlich betreutes Lernen durch - Training mit einem Lehrer. Für die Bilderkennung können sie beispielsweise anhand von Bildern aus der ImageNet-Datenbank trainiert werden, die aus mehr als 14 Millionen Fotos von Objekten besteht, die von Personen klassifiziert und mit Anmerkungen versehen wurden. Während des Trainings erstellt das Netzwerk eine statistische Beschreibung dessen, was die Bilder mit demselben Etikett gemeinsam haben - zum Beispiel „Katze“. Wenn die Netzwerke ein neues Bild präsentieren, wird geprüft, ob ähnliche numerische Attribute vorhanden sind. Wenn eine Übereinstimmung vorliegt, wird das Bild von der Katze deklariert.

Offensichtlich lernen Kinder so nicht, sagt Tomaso Poggio, ein Spezialist für neuronale Analysis am Zentrum für Gehirn, Geist und Maschinen, das Teil des Massachusetts Institute of Technology ist. "Ein Kind sieht in den ersten zwei Lebensjahren etwa eine Milliarde Bilder", sagt er. Aber nur einige dieser Bilder sind irgendwie beschriftet oder benannt. "Wir wissen noch nicht, wie wir damit umgehen sollen", sagt Poggio, "und wie man Maschinen erstellt, die hauptsächlich aus Daten ohne Tags lernen."

Sein Labor befindet sich in der Anfangsphase des Projekts, das es dem neuronalen Netzwerk ermöglicht, ein Training ohne Lehrer durchzuführen, um Muster in Videos ohne Tags zu finden. "Wir wissen, dass Tiere und Menschen dies können", sagt Poggio. - "Die Frage ist, wie?"

Jamins spricht das Problem des lehrerlosen Lernens an, indem er Programme entwickelt, die sich wie Kinder in einem Spiel verhalten, ihre Umgebung durch zufällige Interaktionen interviewt und nach und nach ein Verständnis für die Funktionsweise der Welt entwickelt. Im Wesentlichen programmiert er Neugier, um den Computer zu motivieren, die Umgebung zu erkunden, in der Hoffnung, dass neue Verhaltensmuster entstehen.

Ein weiteres ungelöstes Problem ist, ob bestimmte Aspekte der Intelligenz eine „etablierte“ Evolution sind. Zum Beispiel sind Menschen wahrscheinlich für Gesichtserkennung prädisponiert, Kinder tun dies ab den ersten Lebensstunden. Vielleicht, so schlägt Poggio vor, kodieren unsere Gene einen Mechanismus, um diese Aufgabe schnell und früh zu lernen. Die Entschlüsselung, ob diese Idee richtig ist, kann es Wissenschaftlern ermöglichen, einen Weg zu finden, um Maschinen beim Lernen zu helfen. Andere Forscher untersuchen die neuronalen Grundlagen der Moral. "Die Menschen haben Angst vor 'bösen' Autos", sagt Poggio. "Wir müssen wahrscheinlich besser verstehen, wie unser moralisches Verhalten entsteht, wenn wir gute Autos bauen wollen, ethische Maschinen." [ Tomaso Poggio Pub. ]

Jamins sagt, es sei schwer zu verstehen, wie die Neurowissenschaften allein herausfinden können, wie Lernen ohne Lehrer funktioniert. "Wenn Sie keine KI-Lösung haben, wenn Sie nichts haben, das künstlich funktioniert, können Sie kein Gehirnmodell haben", sagt er. Wahrscheinlich, so glaubt er, werden KI-Wissenschaftler eine oder mehrere Lösungen finden, die Neurowissenschaftler dann testen können.

Die Antwort auf diese Rätsel wird dazu beitragen, intelligentere Maschinen zu entwickeln, die in ihrer Umgebung lernen können und die Geschwindigkeit und Verarbeitungsleistung von Computern mit menschlichen Fähigkeiten kombinieren können. Die Datenverarbeitung und die Fähigkeit, auf Computern zu simulieren, führen bereits zu Ergebnissen in den Gehirnwissenschaften, und dies wird nur Fortschritte machen. "KI wird einen großen Einfluss auf die Neurowissenschaften haben", sagt Susillo, "und ich möchte mich engagieren."

Bemerkung des Übersetzers . Angesichts der Besonderheiten des Habr-Publikums, für die keine Erklärung von Problemen wie einem neuronalen Netzwerk oder tiefem Lernen erforderlich ist, wurde die Übersetzung mit einigen Abkürzungen vorgenommen, die für das Verständnis des Artikels nicht wesentlich sind.