Maymun beyinlerini kontrol etmek için görüntüleri kullanarak Harvard Üniversitesi, "hayal kurmak" için yapay zeka algoritmalarını nasıl kullandı?
"Inception" filmindeki "rüya yaratan" ı hatırlıyor musunuz?
Çok katmanlı rüyalar yaratabilir, belirli fikirleri insanların beyinlerine yerleştirebilir ve insanların rüyalarından bilgi çalabilirler.
Kısa bir süre önce, birisi "XDREAM" adlı bir algoritma icat etti ve bu algoritma, belirli belirli nöronları kontrol etmek için görüntüler aracılığıyla beyin sinirsel aktivitesini uyarabilir. Bu sefer nesneleri sadece maymunlardı.
AI Dreaming: Dünyayı maymunların gözünde geri yükleyin
2 Mayıs'ta, en iyi akademik dergi "CELL" ("hücre") bir makale yayınladı.Harvard Üniversitesi'ndeki bilim adamları, maymunun beynini sensörler ve sinir ağları ile bağladılar, AI sistemi tarafından oluşturulan görüntüyü maymuna oynattı, topladı ve analiz etti Maymunun nöron aktivitesi farklı görüntüler gördüğünde ve maymunun tepki yoğunluğuna göre gerçek zamanlı olarak yeni görüntüler ayarlayıp üretiyor.
Nihai deneysel sonuçlar, AI sisteminin tek bir beyin alanını etkinleştiren ve maymunun beynindeki belirli nöronları uyaran (deneydeki yüzleri tanıyan) görüntüleri otomatik olarak oluşturabildiğini gösteriyor.
Bu çalışmanın özelliği, algoritma tarafından üretilen görüntülerin, kontrol grubundaki doğal görüntülere göre beyin takviyesi nöronları için daha iyi bir stimülasyon programına sahip olmasıdır. Yani gerçek dünyanın çarpıtılmış versiyonlarına benzeyen bu resimler maymunların en heyecan verici resimleri olabilir.
Makalenin ilk yazarı Carlos Pons, projeye dahil olduğu sırada Harvard Tıp Fakültesi'nde Margaret Livingstone laboratuvarında doktora sonrası araştırmacıydı ve şu anda St. Louis'deki Washington Üniversitesi'nde öğretim üyesi. Bu algoritma aracı tarafından üretilen görüntüleri kullanırken, "hücre aktivitesinin (maymun beyninin) daha önce hiç görmediğimiz bir seviyeye yükseldiğini" söyledi.
Bu görüntü, doğal bir görüntüyü (sağda) ve maymun nöron evriminin bir görüntüsünü (solda) göstermektedir.
XDREAM adlı algoritma, Will Shaw tarafından Çocuk Hastanesi Gabriel Kraiman Laboratuvarı'nda geliştirildi ve Ulusal Sağlık Enstitüleri ve Ulusal Bilim Vakfı tarafından finanse edildi. Bu ilk Gerçek nöronlar üzerinde test edin.
Bir dizi görüntüyü, ameliyat önlükleri giyen tanıdıklar, hayvan odalarındaki huniler gibi bir dizi garip şeye dönüştürür ve yeniden birleştirir ... ve insan rüyalarındaki garip şeyler biraz benzer.
XDREAM tarafından üretilen resimler, nöronların birbirleriyle iletişim kurmak için kullandıkları dile daha çok benziyor ve bazı şeyler mevcut bile değil. Yazar Pons'un "Hücre rüya görürse, bunlar hücrenin hayalini kurduğu sahneler olabilir" demesine şaşmamalı.
GAN yeni başarılar sağlar,
Hayal çizmek ne kadar zor?
Sistemin ürettiği görüntüler, maymunu gerçek şeylerden daha çok heyecanlandırıyor, bu keşif nasıl bir hayal gücü getirebilir?
Bu soruyu cevaplamak için bir adım daha ileri gitmemiz ve önce görsel nöronların altında yatan mekanizmayı keşfetmemiz gerekebilir.
Beyin bilimi alanındaki araştırmacılar, sayısız nöron testi deneyiyle, beynin görsel nöronlarının belirli görüntülere daha güçlü yanıt verdiğini kanıtladılar. Bu "dengesiz yanıt", belirli şekillerden etkilenmemizi sağlar, Renklerin veya ana hatların ilgisini çektiğinizde, tren istasyonunda tanıdıklar bulmak, otoyolda reklam panosu metni vb. Gibi bu özel şeyleri hızla tanımlayabilirsiniz.
Bununla birlikte, görsel nöronların bu belirli şeylere nasıl tepki verdiği hala bir muamma.
Geçmişte, görsel nöron tercihlerinin araştırılmasında insanlar sıklıkla gerçek görüntüler kullanıyorlardı. Bu iki sorunu ortaya çıkarır:
Birincisi, yalnızca gerçek dünyada var olan uyaranları incelemektir. Fakat aslında, insanlar hızlı göz hareketi (REM) uykusu sırasında yüksek frekanslı beyin aktivitesini sürdürürler. Wisconsin-Madison Üniversitesi'nden Giulio Tononi ve meslektaşları, uyurken 32 deneğin EEG'sini kaydettiler, bu da gerçek duyusal uyaranların (yüz ve dil gibi) işlenmesinde yer alan beyin bölgelerinin yüksek frekanslı aktivitesinin arttığını kanıtladı. Bu unsurlar rüyada göründüğünde artar. Ancak rüya gören herkes, rüyaları hatırlamanın ve tamamen yeniden üretmenin zor olduğunu ve gerçek dünya ile tamamen tutarlı olmadığını bilir. Rüyanın durumunu bilememek, beyin sinir araştırmalarına önemli bir konum kaybettirdi.
İkincisi, kraniyal sinir araştırmasının araştırmacıların öznel seçimine tabi olması ve belirli bir derecede tek yanlılığa sahip olmasıdır. Örneğin, evrişimli sinir ağlarının gelişiminin beynin sinirlerinden çok fazla ilham aldığını herkes bilir.Sonuç olarak, resimdeki bazı önemli noktalara odaklanacak olan dikkat temelli açıklama modeli gibi insan beyni aktivitesini simüle eden birçok algoritma üretildi. Ve aşağıdaki resim gibi bir metin açıklaması yapın:
Desendeki özellikleri seçerek çıkarın, böylece "Deniz Sörfçüsü" etiketli bir resim elde ederiz.
Model önceden eğitildiğinde, tasarımcı görüntü özelliklerine kendi anlayışına ve çoğu insanın ön eğitim tercihlerine göre belirli ağırlıklar atar, böylece sistem fark etmesini istediği yerlere öncelik verir. Ama bu seçim gerçekten kusursuz mu? Bilimsel bir bakış açısıyla, bu soruyu kesin olarak cevaplayamayız, ancak daha önce bazı beyinlerin bu şekilde düşünmediğini ve bazı beyinlerin kelimeler konusunda yüzlerden daha heyecanlı olduğunu kanıtlayacak hiçbir kanıtımız yok.
Şimdi var.
Derin Üretken Karşıt Ağlar (GAN) ve genetik algoritmaların kombinasyonu, görsel nöronların gerçek "düşüncelerini" görmemize izin vermeye başladı.
Araştırma ekibi, altı maymunun alt temporal korteksine (kulakların biraz arkasındaki alan) mikroelektrot dizilerini yerleştirdi, onlara görüntüler gösterdi ve maymunlar görüntüleri izlediğinde ayrı görsel nöronların ateşleme oranını ölçtü. GAN, her seferinde rastgele 40 görüntü üretir; bunlardan 10 tanesi belirli bir nöron veya nöron grubundaki en aktif görüntüdür ve diğer 30 tanesi nöronların farklı tepkilerine göre genetik algoritma tarafından oluşturulur. Öğeler yeniden düzenlenir ve benzer görüntüler oluşturmak için birleştirilir.
Böyle bir döngüsel test 1-3 saat içinde 250 nesle kadar tekrarlanacak ve "XDREAM" sisteminin görüntü kodu sürekli olarak optimize edilecektir. Sonunda süper uyarıcı maymun beyinlerine sahip olacak fotoğrafları gördük, açıkçası gerçek dünyadan ve insan anlayışından tamamen farklı.
Tek bir nöronun tepkisini maksimize ederek sentezlenen görüntü
Bazı nöronlar insanların beklentileri doğrultusunda tepki verirler Örneğin, genellikle görsel nöronların "yüze bakmayı" sevdiklerine ve en çok yüz tepkilerine duyarlı olduklarına inanılır. Öyle olduğu ortaya çıktı ve son tercih, garip bir yüze benzeyen, gözlere benzer iki siyah noktaya sahip yuvarlak pembe bir görüntünün evrimiyle sonuçlandı.
Gerçek görüntülerden bazı garip küçük siyah karelerin evrimi, ustaca renk karışımı vb. Gibi kafa karıştırıcı yerler de var, bu özel görüntülerin nöronlarda nasıl işlediği, haritalandığı ve oluştuğu gibi. Hala bilinmiyor. Artık bilim adamlarının meydan okuyacak yeni konuları var ~
İnsanlara ve yapay zekaya nöronları deşifre etmenin değeri nedir?
Bu kadar çok şey söyledikten sonra, maymunların görsel nöron tercihlerini incelemenin ne işe yaradığını hala anlayamayabilirsiniz. Başka bir deyişle, gerçek değer yaratabilir mi?
Bu şüpheye cevap vermek için, bu deneysel sonucun bazı benzersiz özelliklerini inceleyelim:
Öncelikle, bu deneyin en büyük özelliği beyin bilimi deneyleri yapmak için yeni bir yol denemek, yani derin sinir ağları. XDREAM, var olmayanlar dahil herhangi bir nesneyi oluşturabilir. Bu, nöronların fiziksel dünyanın sınırlamalarından kurtulmasını ve en sevdikleri görüntüleri sıfırdan oluşturmasını sağlar.
Bu, insanların görsel nöronların hareket mekanizmasını tamamen tarafsız bir şekilde açmalarına izin vererek, nöronların kendilerinin karar vermesine ve araştırmacılara ne istediğini söylemesine izin veriyor.
Ek olarak, bu araştırmadan, beynin gerçek şeylerin ilgili özelliklerini soyutlamayı nasıl öğrendiğini görüntü evrimi sürecinden görebiliyoruz. Örneğin, ilk yazar Pons: "Beynin görsel sahneleri analiz ettiğini ve birey için önemli olan bilgileri elde etmek için deneyimle yönlendirildiğini görüyoruz." "Beyin çevreye adapte oluyor ve ekolojik olarak anlamlı bilgileri öngörülemeyen bir şekilde kodluyor."
Bu nedenle, bu teknoloji, beyindeki işitsel nöronlar, hipokampal nöronlar ve prefrontal korteks nöronları gibi duyusal bilgilere yanıt veren herhangi bir nörona uygulanabilir.
Beynin nasıl çalıştığını daha iyi anlamak, bir yandan tıp ve sağlık için etkili bir temel sağlayabilir. Örneğin, öğrenme güçlüklerini, otizmi ve diğer ilgili hastalıkları anlamaya yardımcı olun.
Hastaların görme sistemindeki değişiklikleri inceleyerek, gerçek dünya manzarasını gözlerinde ve zihinlerinde anlayarak ve ilk tepki verecekleri şeyleri inceleyerek, sağlık personeli ve aile üyelerinin daha etkili tedavi mekanizmaları bulmasını da sağlayabilir. Sonuçta, gördüklerinizi görmek ve ne düşündüğünüzü düşünmek, iletişim ve anlayışa ulaşmanın ilk adımıdır.
Ek olarak, yapay zekayı beyin kadar etkili ve hatta daha iyi modeller geliştirmeye teşvik edebilir.
Evrişimli sinir ağları ve beyin bölgeleri arasındaki ilişki
2014 civarında, sinir ağları ve nöronların kesişimini içeren birkaç çalışma başladı. Örneğin, insanlardan ve makaklardan kaydedilen sinirsel aktiviteyi sinir ağlarındaki yapay aktivitelerle karşılaştırarak, araştırmacılar sonunda farklı sistemler tarafından görülen görüntüleri anladılar. Khaligh-Razavi ve Kriegeskorte (2014) makalesi, 37 farklı modeli insan ve maymun BT ile karşılaştırmak için bir temsil benzerlik analizi kullandı ve hedef tanımada daha iyi olan modellerin BT temsilleriyle daha iyi eşleşebileceğini buldu. Denetimli öğrenim eğitimi derin CNN (AlexNet) en iyi performans gösterendir. Bu, derin öğrenmenin ilerlemesi için sağlam bir temel oluşturdu.
Genel olarak, makine sinir ağları, beyin sinirbilimcileri için modelleme yolunun bir devamı olarak kabul edilebilir. Beyin bilimi bu yola katkıda bulundu ve bilgisayar alanı, verilerin yanı sıra hesaplama gücü ve eğitim yöntemlerine de katkıda bulundu. İkisinin birleşimi, bu modellerin şaşırtıcı yeteneklerini yumuşatmasına olanak tanır.
Bununla birlikte, beynin sinir ağı yapay olandan N kat daha karmaşıktır. Bugüne kadar, sivri uçlar, yanal bağlantılar, fovea ve belirli katmanları atlayabilen ileri beslemeli bağlantılar gibi çoğu sinir ağının sahip olmadığı bazı özellikler var. Bu beyin detaylarını anlamak, yapay zeka üzerinde çığır açan bir etkiye sahip olacak mı?
Açıkçası kimse cevabı bilmiyor, çünkü derin sinir ağları beynin sinir sisteminin tam bir yeniden üretimi değil (ve olamaz), ama yapay zekanın gitmesi gereken yol bu.
Biyolog ve filozof Aristoteles bir keresinde beyne imgelerin anlamını şöyle anlatmıştı: Bazı imgeleri görmemizin nedeni mutludur çünkü bilgi ararken onlara bakıyoruz. Taklit etmede iyi olmak, insanoğlunun "içgüdüsü" ve YZ'nin kaderidir.
Bu tür bir makaleyi beğendiyseniz, lütfen takip edin veya yorum işlevini kullanın
Sorumluluk Reddi: Bu makale daha fazla bilgi vermek amacıyla yeniden üretilmiştir. Kaynak etiketlemede bir hata veya yasal haklarınızın ihlali söz konusuysa, lütfen sahiplik sertifikası ile web sitesi ile iletişime geçin ve zamanında düzeltip sileceğiz, teşekkür ederiz.
