ABD hükümetinin "Brain Apollo Projesi" bir dönüm noktasına sahip ve Çinli bilim insanlarının teknolojisi bir dönüm noktası haline geldi
Şu anda yapay zeka, beyin modelini ancak kabaca simüle edebiliyor. Beyni tamamen ve doğru bir şekilde simüle etmek istiyorsak, insanlar şimdiye kadar kimsenin yapamayacağı şeyleri yapmalıdır: Nöronların ve sinir liflerinin içinde olan her şeyi tanımlayın.
Harvard Üniversitesi'nden sinirbilimci David Cox, "Günümüzün yapay zekasının hâlâ sorunları var" diyor. Gerçekten de mükemmele yakın yüz tanımadan otonom sürüşe, dünya Go şampiyonu Alpha Go'ya kadar, yapay zekanın performansı inanılmaz. Dahası, birçok yapay zeka uygulaması programlama bile gerektirmez: mevcut mimarilere dayanan deneyimlerden öğrenebilirler.
Bununla birlikte, AI hala sakar ve acımasızdır. "Köpekleri tanıyabilen bir makine yapmak için ona köpeklere ait olan veya olmayan binlerce şeyi sağlamanız gerekiyor, ancak kızımın yalnızca bir köpeğe bakması gerekiyor ve o andan itibaren hepsini mutlu bir şekilde tanıyabilir. Köpekler, "dedi David Cox.
Ayrıca, tüm verilerden çıkarılan mevcut AI bilgi yapısı genellikle savunmasızdır. Resme insanların fark edemeyeceği bazı statik gürültü eklerseniz, AI bir köpeği çöp kutusu olarak da tanıyabilir. İnsanların akıllı telefonlara yüz tanıma uygulamasının hala güvenli olmadığı söylenebilir.
Şekil | Bir deneyde farenin beynini gözlemleyen bir araştırmacı.
Şekil | Deneyden sonra, sıçan beyni çıkarıldı.
Bu sınırlamaların üstesinden gelmek için, David Cox ve diğer birçok sinirbilimci ve makine öğrenimi uzmanı bir "Kortikal Ağlardan Makine Zekası, MICrONS" projesi MICrONS araştırmacıları, kemirgenlerin korteksinin yapısını ve işlevini haritalandırmaya ve tüm ayrıntıları geri yüklemeye kararlıdır.
MICrONS, Intelligence Gelişmiş Araştırma Projeleri Etkinliğinden (IARPA) 100 milyon ABD Doları tutarında fon aldı. Projenin yaratıcısı ve başlatıcısı Jacob Vogelstein, bu projenin nörobilim alanındaki "Apollo Aya İniş Programı" na eşdeğer olduğunu söyledi. ABD istihbarat ajansının araştırma departmanı olan Intelligence Advanced Research Projects Agency'nin proje direktörüydü ve şu anda Camden Partners Investment Company'de çalışıyor.
Beynin karmaşıklığı söz konusu olduğunda, serebral korteksin her bir kübik milimetresinin (yaklaşık bir çakıl büyüklüğünde) haritalanması, aya iniş gibidir. Bunun nedeni, hacminin yüz milyonlarca katı olan, kabaca 100.000 nöron ve yaklaşık 1 milyar sinaps (nöronlar arasında bilgi ileten boşluk yapısı) içeren ayrıntıları gerçekten tanımlamak istememizdir.
Şekil | Bir petri kabındaki fare beyni
Bu projenin hırsları diğer sinirbilimcilere hayran kaldı. Tüm akademik kariyerini daha küçük ölçekli sinir devrelerini inceleyerek geçiren Brandeis Üniversitesi'nden Eve Marder, "Yaptıkları şeyin çok kahramanca olduğunu düşünüyorum" dedi. Pennsylvania Üniversitesi'nde beynin hesaplamalı modelleri üzerinde çalışan bilim adamı Konrad Kording de bu konuda heyecanlı: "Bu, sinirbilimdeki en heyecan verici şey."
Şekil | Taramadan önce beyin platforma süper yapıştırıcı ile sabitlendi.
Aslında, araştırmanın nihai ödülü, verilerin arkasına gömülü sinirlerle ilgili sırları araştırmaktır. hangisi "Yeni nesil yapay zeka için teorik hesaplama bileşenleri sağlama" ilkesi. Bu bağlamda, Jacob Vogelstein şu anda uygulanan sinir ağının hala onlarca yıl önce önerilen çok temel sinirsel çalışma mimarisine dayandığını söyledi. Özünde, yapay zeka sistemi aslında bilgiyi on binlerce yoğun "düğümde" (beyindeki nöronlara eşdeğer) iletir ve tüm sistem, bağlantının gücünü sürekli olarak düzelterek performansı optimize eder.
Bununla birlikte, çoğu bilgisayar sinir ağının sinyalleri "ileri beslemeli iletimdir", yani, bir düğümden diğerine, katmanlar arasında hiçbir geri bildirim yoktur. Bununla birlikte, gerçek beyin geribildirimle doludur : Her sinir lifi demeti, bir beyin bölgesinden diğerine sinyal iletirken, aynı veya hatta daha fazla sinir lifi sinyalleri başka bir yoldan döndürür. Beyin neden böyle çalışıyor? Bu geri bildirim lifleri, insan beyninin bir defalık öğrenmesi gibi güçlü işlevlerin arkasındaki temel gizem mi? Bunun dışında başka prensipler var mı?
MICrONS'un yaratıcısı ve başlatıcısı Jacob Vogelstein, bu proje sinirbilim alanındaki "Apollo Aya İniş Projesi" ne eşdeğerdir.
Princeton Üniversitesi'nde nörobilimci ve haritalama projesinin kilit isimlerinden biri olan Sebastian Seung şunları söyledi: MICrONS bu sorulardan en az birini bizim için cevaplayacaktır. Aslında, "Böyle bir projeyi geçemezsek, bu soruların hiçbirine asla cevap veremeyeceğiz."
Resim | Soldaki resim, beynin sol üstte çizilecek kısım olan küçük bir parçasını; sağdaki resim beynin akrilikle çevrelenmiş olduğunu ve çok ince dilimler halinde kesileceğini gösteriyor.
Yakınlaştırmaya devam edin
MICrONS'un üç ekibi var: biri David Cox tarafından yönetiliyor, biri Rice Üniversitesi ve Baylor Tıp Fakültesi'nden ve diğeri Carnegie Mellon Üniversitesi'nden. Her ekip kapsamlı bir araştırma yapıyor: Tüm hücreleri bir milimetre küp fare beyninde ve bağlantı haritalarında ("bağlı grup") yeniden yapılandırın. Bu harita, her bir hücrenin diğer hücrelere nasıl bağlandığını yansıtacak ve aynı zamanda nöron ateşlemesini uyaracak ve diğer nöronları veri görüntüleme yoluyla iletecektir. Faliyet alani, sahne.
Projenin ilk adımı, fare beynini gözlemlemek ve gerçek çalışan nöronları kübik milimetre cinsinden ayırt etmektir. Örneğin, bir hayvan, yönü olan düz bir çizgi gibi belirli bir görsel uyaran aldığında, hangi nöronlar anlık ateşleme üretir ve hangi komşu nöronlar buna tepki verir?
Ancak bu noktada bugün on yıl öncesinden farklı değil ve bu tür verileri yakalamak neredeyse imkansız. Jacob Vogelstein, "Bunu başarmak için hiçbir araç yok" dedi. Araştırmacılar beyne ultra ince ızgara elektrotlarını yerleştirip tek bir nöronun elektriksel aktivitesini kaydedebilseler de, nöronların kompakt dizilişinden dolayı elektrot aynı anda düzinelerce nöronun aktivitesini kaydedemez. Araştırmacılar ayrıca insan veya diğer hayvan beyinlerinin genel fonksiyonel görüntülemesini gerçekleştirmek için MRI teknolojisini kullanabilir, ancak bu, bireysel nöronların durumunu yansıtamaz: fMRI (fonksiyonel manyetik rezonans görüntüleme), yaklaşık 1 mm'lik bir maksimum uzamsal çözünürlüğe sahiptir.
Şekil | Akrilikle sabitlenmiş beyni dilimleyin
Ancak canlı beyin nöronlarının ateşlendiğinde ışık yaymasını sağlayan teknoloji, bu sınırlamada bir atılım getirmiştir. Tanınmış Çinli bilim adamı Qian Yongjian, bu teknolojiye katkıda bulunanlardan biridir ve yeşil floresan protein üzerine yaptığı araştırmayla 2008'de Kimya dalında Nobel Ödülü'nü kazandı. Bu teknikte, nöronlar ateşlendiğinde hücreye büyük miktarda kalsiyum iyonu aktığı için, bilim adamları nöronlara floresan protein enjekte eder ve kalsiyum iyonlarının varlığında proteinin parlamasını sağlar. Spesifik olarak, bilim adamları, floresan proteini sıçan beynine enjekte etmek için zararsız bir virüs kullanacaklar veya proteini kodlayan geni doğrudan nöron genomuna aktaracaklar.
Ünlü Çinli bilim adamı Qian Yongjian
Aslında, floresans birçok yönden uyarılabilir. Ancak en etkili olanı, kızılötesi ışınların farenin kafatasındaki açıklıklardan beyne ulaşmasını sağlamak için bir çift lazer kullanmaktır. Kızılötesi fotonlar, beyne zarar vermeden nispeten opak beyin dokusundan geçebilir ve sonunda flüoresan proteinler tarafından emilir. Daha sonra protein, normal bir mikroskopla gözlemlenebilen görünür bir foton salgılar. Başka bir deyişle, hayvanlar belirli şeyleri gördüklerinde veya belirli eylemleri gerçekleştirdiklerinde, beyin aktivitelerinin ayrıntılarını gözlemleyebiliriz.
Şekil | Beyin örneklerini içeren akrilik dilimler düzenlenir ve kesilir ve ardından büyük bir cihazda taranır.
Baylor Tıp Fakültesi'nin ekip lideri Andreas Tolias, yanıt olarak şunları söyledi: Bu "devrimci bir buluş" çünkü "çok yakın olsalar bile her nöronu kaydedebiliriz."
David Cox'un laboratuarındaki ekip, farenin sinirsel aktivitesini haritalandırdıktan sonra, deney faresi ölüme gönderilecek.Araştırmacılar, fareye ağır metal osmiyum içeren bir çözelti aşılayacak ve beyni çıkaracak. Ardından, Harvard Üniversitesi biyoloğu Jeff Lichtman liderliğindeki bir ekip, nöronal organizasyon ve bağlantının yapısını gözlemlemek ve ayırt etmek için beyni kesecek.
Bu işlem, bir yeraltı laboratuvarında bir şarküteride sarımsak sosisi kesiciye benzer bir masaüstü aletle başladı: küçük bir metal platform kaldırılıp indirildi ve amber akrilik "mum boya" nın ucu düzenli bir şekilde kesilip kesildi. Her parça plastik bir platform üzerinde bir taşıma bandına tutturulmuştur. Ancak, fark şu ki, "mum boya" aslında beyin dokusunu saran, kırılgan beyin dokusunu destekleyen ve koruyan sert bir reçine sütunu. Yükselen ve alçalan küçük metal platformun üzerinde keskin olamayacak bir elmas bıçak vardır ve bunun tarafından kesilen dilimler sadece 30 nanometre kalınlığındadır.
Şekil | Beyin dilimi taranarak elde edilen görüntü yeniden düzenlenir ve bir algoritma ile yapıştırılır.
Resim | Soldaki resim, elektron mikroskobu ile çekilmiş 61 görüntüden oluşan "çok ışınlı görüş alanını" gösterir; sağdaki resim, yukarıdaki resimde gösterildiği gibi 14 "çok ışınlı görüş alanı" kombinasyonunu gösterir.
Şekil | Taranan görüntüler bir araya getirilip kare şeklinde ve renkli
Bir sonraki adım, koridorun sonundaki başka bir laboratuvarda gerçekleşti. Yarı iletken bir gofret üzerine yerleştirilmiş birkaç dilim beyin dokusu içeren bir şerit, büyük bir endüstriyel buzdolabı gibi bir alete yerleştirilir. Bu alet aslında bir elektron mikroskobu: 61 elektron ışını kullanarak 61 dilim beyin dokusunu 4 nanometre çözünürlüğe kadar aynı anda tarıyor.
Her bir gofretin taranması yaklaşık 26 saat sürer. Mikroskobun yanındaki monitörde görüntülenen taranan görüntüler, sinapsların etrafında toplanan hücre zarları, mitokondri ve nörotransmiter dolu veziküller gibi şaşırtıcı ayrıntıları ortaya çıkardı. Neredeyse fraktal bir görüntü gibi: Ne kadar çok yakınlaştırırsanız, o kadar fazla ayrıntı ve karmaşıklık görebilirsiniz.
Ancak çalışmanın amacı dilimleme değildir ve mikroskopla elde edilen tarama sonuçları "püskürtülür" olsa da son adım değildir. Lichtman, "Her dilimi uzatan bir film yapmak gibisin," dedi. Bu dilimler daha sonra Harvard Üniversitesi'nde bir bilgisayar bilimcisi olan Hanspeter Pfister liderliğindeki bir ekibe aktarıldı. Pfister, "Bizim rolümüz görüntüden olabildiğince fazla bilgi çıkarmaktır" dedi.
Ekip, organelleri, sinapsları ve diğer özellikleri dahil olmak üzere üç boyutlu nöronları yeniden yapılandırmak için çok sayıda 2B dilim kullanacak. Pfister, el ile çizim yapmak için kalem ve kağıt kullanabilseniz de, şüphesiz ki bu çok yavaş olacaktır, dedi. Bu yüzden o ve ekibi gerçek nöronları tasvir etmek için bir sinir ağı kurdu ve eğitti. "Daha önce kullandığımız diğer yöntemlerden daha iyi performans gösteriyorlar."
Boyutuna bakılmaksızın, her nöronun çok sayıda kıvrılmış "dalı ve yaprağı" ve uzun ve ince bir lifi vardır. Birincisi "dendritik" ve ikincisi "akson" olarak adlandırılır. Aksonlar, sinir uyarılarını uzun mesafelerde, hatta tüm beyin boyunca veya omuriliğe kadar iletebilirler. MICrONS tarafından çizilen bir milimetrelik küp ile araştırmacılar, çoğu aksonu baştan sona izleyebilir ve böylece tam bir sinir devresini gözlemleyebilir. "Bulacağımızı düşünüyorum," dedi Pfister. " Belki daha önce hiç hayal etmediğimiz bir yapıdır veya sinirsel devre montajının yeni bir görünümü olabilir. "
Önsezinin gücü
MICrONS ekibinin başlangıçta çözmek istediği soruna geri dönelim: beynin algoritması nedir? Bu sinir devreleri gerçekte nasıl çalışır? Özellikle cevaplanması gereken şey, bu geri bildirimler ne rol oynadı?
Günümüzde pek çok AI uygulamasında geri bildirim mekanizmaları yoktur. Çoğu sinir ağındaki elektrik sinyalleri, ağ düğümünün üst katmanından bir sonraki katmana aktarılır, ancak genellikle artık geri geçmez. (Geri yayılım algoritması ile karıştırılmamalıdır, sinir ağlarını eğitmenin yolu budur.) Elbette, tüm durum bu değildir: Tekrarlayan Sinir Ağları (RNN), zaman içindeki değişikliklerle başa çıkmalarına yardımcı olabilecek arka arkaya bağlantılara sahiptir. girişi. Ancak, RNN uygulaması geri bildiriminin derecesi, beyin uygulaması geri bildirimi ile aynı seviyeye ulaşmamıştır. Carnegie Mellon Üniversitesi'nden Tai Sing Lee, görsel korteksin iyi çalışılmış bölümünde, " Sinapsların yalnızca% 5 ila% 10'u bekler ve gözden görsel sinyaller alır. "Diğerleri üst düzey beyinlerden geribildirim bekliyor.
Şekil | Renkli küpler, nöral yapıyı ve aktiviteyi daha fazla analiz etmek için kullanılır ve bilim insanlarının beyinde neler olup bittiğine dair fikir edinmesini sağlar.
Bu yeniden yapılandırılmış beyin küpü, farklı türdeki sinir yapılarını ve sinirsel süreçleri göstermek için 3B görüntüler kullanarak bilim insanlarına beynin şimdiye kadarki en gerçekçi ve ayrıntılı görüntülerini sağlıyor.
Geri bildirimin işlevi ve amacı ile ilgili olarak, şu anda kabaca iki teori var. Bu bağlamda David Cox, "Bir görüş, beynin sürekli olarak alacağı girdiyi tahmin etmeye çalıştığıdır." Dedi. Örneğin, duyusal korteks şu anda bir film sahnesini kodlarken, daha yüksek beyin bölgeleri sahneyi bir sonraki anda tahmin etmeye çalışıyor ve en iyi olduklarını düşündükleri tahminlerini geri bildirim lifleri aracılığıyla duyusal kortekse aktarıyor.
Beynin hızla değişen bir çevreyle baş edebilmesinin tek yolu budur. David Cox, "Nöronlar gerçekten yavaş" dedi. " Işığın retinaya ulaşmasından, sinir sinyallerinin duyu işlevi ile beyin bölgesine iletilmesine kadar tüm aşamaların tamamlanması 170-200 milisaniye sürecektir. Bu sefer Serena Williams'ın (ünlü tenisçi) 9 metre uçması için yeterli. "Bu yüzden bu tenis topunu yakalamak isteyen herkes, sallanmak için tahminleri kullanmalıdır.
David Cox, geleceği tahmin etmeye çalışırsanız, " Sonra gerçek gelecek geldiğinde, bir sonraki tahmininizi düzeltme yoluyla daha doğru hale getirebilirsiniz. "Bu, geribildirimin ikinci ana görüşüne mükemmel bir şekilde uyuyor: beynin geribildirim bağlantısı öğrenmeye rehberlik etmek için kullanılıyor.
Gerçekten de, performansın artırılması olarak adlandırılan bilgisayar simülasyonu süreci, tüm sistemin gerçek dünyayı yansıtan daha iyi bir model oluşturmasını sağlamaktır. Örneğin , "Başkaları arkasını döndüğünde, nasıl bir yüzün görüneceğini belirlemelisiniz" - bu, "tek seferlik öğrenme" gizeminin anahtarı olmalıdır.
David Cox bir örnek verdi: Kızı ilk kez bir köpek gördüğünde, gölgenin ne olduğunu bilmiyordu ve ışığın bir düzlemde yansıma prensibini bilmesine gerek yoktu, hayatta çok fazla deneyim biriktirdi. "Bu bir köpek" e benzer bir şey bulduğunda, yaşam deneyimine dayalı olarak daha fazla bilgi ekleyebilir. Beynin bilgi geribildirimi doğruysa, MICrONS beynin yapısını ve işlevini ayrıntılı yapı şemasında görüntüleyerek nöral devrelerin otonom olarak nasıl tahmin ve öğrendiğini yansıtır.
Beynin geribildirim işlevi hakkındaki bu görüşler doğruysa, MİKRONLAR'ın beyin yapısına ve işlev haritasına yansıtılabilir, Grafik, sinir devresinin nasıl tahmin ettiğini ve öğrendiğini kanıtlayabilir ve yapay zekanın nihai amacı, böyle bir düşünme sürecini simüle etmektir.
Öyle olsa bile, beyni gerçekten anlamaktan hâlâ çok uzaktayız. Çünkü sadece sinir devrelerini anlamak yeterli değildir Hormonlar veya nöronlar arasında serbest olan nörotransmiterler gibi sinapslara dayanması gerekmeyen hücreler arasında birçok sinyal iletimi vardır.
Aynı zamanda, büyük bir adım atılmasına rağmen ölçek sorunları da var, Bununla birlikte, MICrONS, hesaplamayla ilgili sorunları çözmek için serebral korteksin en dış kısmının yalnızca küçük bir bölümünü gözlemledi. Serebral korteks beynin sadece dış bölgesidir Beyindeki temel düzenleyici mekanizmalar, talamus ve bazal gangliya gibi derin beyin yapılarında hala gizlidir.
İyi haber şu ki, MICrONS şimdiden ön planda ve bilim adamlarının gelecekte daha büyük bir beyin haritası çizmeleri bekleniyor. Jacob Vogelstein'a göre, 100 milyon doların çoğu veri toplama teknolojisinin geliştirilmesine harcanacak ve gelecekte artık burada harcanmayacak. Aynı zamanda MICrONS ekibi, bölümleme gerektirmeyen yöntemler de dahil olmak üzere daha hızlı tarama teknikleri geliştiriyor.
Şu anda, Carnegie Mellon Üniversitesi, Harvard Üniversitesi, Massachusetts Teknoloji Enstitüsü ve Woods Hole Oşinografi Enstitüsü'nden bilim adamları birlikte çalışıyorlar. , "Barkodlama" teknolojisi geliştirmiştir , Her bir nöronu hedefleyip etiketleyebilir ve bu hücreleri yavaşça şişirmek için özel bir jel kullanarak, orijinal boyutunun onlarca ila yüzlerce katı arasında değişen, hücrelerin daha yüksek çözünürlüklü gözlemini gerçekleştirir.
Jacob Vogelstein, "Bu nedenle, ilk milimetre küp veriyi elde etmek çok zor olsa da," dedi, "ancak bir sonraki çok daha basit olacak."
