Zusammenfassung: Eine neue Studie kombiniert Deep-Learning- und neuronale Aktivitätsdaten von Mäusen, um das Geheimnis zu lüften, wie sie in ihrer Umgebung navigieren.
Durch die Analyse der Feuermuster von „Kopfrichtungs“-Neuronen und „Gitterzellen“ können Forscher nun den Standort und die Richtung einer Maus genau vorhersagen und so Aufschluss über komplexe Gehirnfunktionen geben, die mit der Navigation verbunden sind. Diese in Zusammenarbeit mit dem US Army Research Laboratory entwickelte Methode stellt einen großen Fortschritt beim Verständnis des räumlichen Bewusstseins dar und könnte die autonome Navigation in Systemen der künstlichen Intelligenz revolutionieren.
Die Ergebnisse unterstreichen das Potenzial, biologische Erkenntnisse in künstliche Intelligenz zu integrieren, um die Roboternavigation zu verbessern, ohne auf GPS-Technologie angewiesen zu sein.
Wichtige Fakten:
- Deep Learning entschlüsselt die Navigation: Die Forscher verwendeten ein Deep-Learning-Modell, um die neuronale Aktivität einer Maus zu entschlüsseln und den Standort und die Richtung der Maus ausschließlich auf der Grundlage der Feuermuster von „Kopfrichtungs“- und „Gitterzellen“-Neuronen genau vorherzusagen.
- In Zusammenarbeit mit dem US Army Research Laboratory: Die Studie wurde in Zusammenarbeit mit dem US Army Research Laboratory mit dem Ziel durchgeführt, biologische Erkenntnisse mit maschinellem Lernen zu kombinieren, um die autonome Navigation in intelligenten Systemen ohne Global Positioning System (GPS) zu verbessern.
- Potenzial künstlicher Intelligenzsysteme:Die Ergebnisse könnten in den Entwurf künstlicher Intelligenzsysteme einfließen, die in der Lage sind, autonom in unbekannten Umgebungen zu navigieren und dabei die neuronalen Mechanismen zu nutzen, die der räumlichen Wahrnehmung und Navigation in biologischen Systemen zugrunde liegen.
Quelle: Zellpresse
Die Forscher koppelten ein Deep-Learning-Modell mit experimentellen Daten, um die neuronale Aktivität einer Maus zu „entschlüsseln“.
Mit dieser Methode können sie anhand der neuronalen Feuermuster genau bestimmen, wo sich eine Maus in einer offenen Umgebung befindet und in welche Richtung sie blickt.
Die Fähigkeit, neuronale Aktivität zu entschlüsseln, kann Einblicke in die Funktion und das Verhalten einzelner Neuronen oder sogar ganzer Gehirnregionen geben.
Diese Ergebnisse wurden am 22. Februar veröffentlicht Biophysikalisches Journales könnte auch dem Design intelligenter Maschinen zugute kommen, die derzeit Schwierigkeiten haben, unabhängig zu navigieren.
In Zusammenarbeit mit Forschern des US Army Research Laboratory nutzte das Team des leitenden Autors Vasilios Maroulas ein Deep-Learning-Modell, um zwei Arten von Neuronen zu untersuchen, die an der Navigation beteiligt sind: „Kopfrichtungs“-Neuronen, die Informationen über die Richtung kodieren, in die das Tier blickt. und „Gitterzellen“, die zweidimensionale Informationen über den Standort des Tieres in seiner räumlichen Umgebung kodieren.
„Aktuelle Geheimdienstsysteme haben sich bei der Mustererkennung als hervorragend erwiesen, aber wenn es um die Navigation geht, funktionieren dieselben sogenannten Geheimdienstsysteme ohne GPS-Koordinaten oder etwas anderes zur Steuerung des Prozesses nicht gut“, sagt der Mathematiker Maroulas. „. An der University of Tennessee Knoxville.
„Ich glaube, dass der nächste Schritt vorwärts für KI-Systeme darin besteht, biologische Informationen mit bestehenden Methoden des maschinellen Lernens zu kombinieren.“
Im Gegensatz zu früheren Studien, die versuchten, das Verhalten von Gitterzellen zu verstehen, basierte das Team seine Methode auf experimentellen Daten und nicht auf simulierten Daten.
Die im Rahmen einer früheren Studie gesammelten Daten bestanden aus neuronalen Schussmustern, die über Innensensoren gesammelt wurden, kombiniert mit „Bodenuntersuchungs“-Videoaufnahmen des tatsächlichen Standorts, der Kopfposition und der Bewegungen der Maus, während sie ein offenes Gebiet erkundete. Umfeld.
Die Analyse umfasste die Integration von Aktivitätsmustern über Kombinationen von Kopfrichtungen und Rasterzellen hinweg.
„Um diese neuronalen Strukturen zu verstehen und darzustellen, sind mathematische Modelle erforderlich, die die Konnektivität auf hoher Ebene beschreiben. Das heißt, ich möchte nicht verstehen, wie ein Neuron ein anderes Neuron aktiviert, sondern wie sich Gruppen und Teams von Neuronen verhalten“, sagt er. Marulas.
Mit der neuen Methode konnten die Forscher den Standort und die Kopfrichtung der Maus genauer vorhersagen als zuvor beschriebene Methoden. Als nächstes planen sie, Informationen von anderen Arten von Neuronen, die an der Navigation beteiligt sind, zu integrieren und komplexere Muster zu analysieren.
Letztendlich hoffen die Forscher, dass ihre Methode dazu beitragen wird, intelligente Maschinen zu entwickeln, die in unbekannten Umgebungen navigieren können, ohne GPS oder Satelliteninformationen zu verwenden. „Das ultimative Ziel besteht darin, diese Informationen zu nutzen, um eine Architektur für maschinelles Lernen zu entwickeln, die in der Lage ist, unbekanntes Gelände autonom und ohne GPS- oder Satellitenführung erfolgreich zu navigieren“, sagt Maroulas.
Über diese Neuigkeiten aus der neurowissenschaftlichen Forschung
Autor: Christopher Benke
Quelle: Zellpresse
Kommunikation: Christopher Benke – Pressezelle
Bild: Bildquelle: Neuroscience News
Ursprüngliche Suche: Offener Zugang.
„Ein topologisches Deep-Learning-Framework für die neuronale Dekodierung„Von Vassilios Maroulas et al. Biophysikalisches Journal
eine Zusammenfassung
Ein topologisches Deep-Learning-Framework für die neuronale Dekodierung
Das räumliche Orientierungssystem des Gehirns nutzt verschiedene neuronale Gruppen, um die umgebungsbasierte Navigation zu unterstützen. Es gibt zwei Möglichkeiten, räumliche Informationen durch Kopfrichtungszellen und Gitterzellen zu kodieren. Gehirne verwenden Kopfrichtungszellen, um die Richtung zu bestimmen, während Gitterzellen aus Schichten von Oberflächenneuronen bestehen, die sich überlappen, um eine umgebungsbasierte Navigation zu ermöglichen.
Diese Neuronen arbeiten in Gruppen, in denen viele Neuronen gleichzeitig feuern, um eine einzelne Kopfrichtung oder ein einzelnes Netzwerk zu aktivieren. Wir wollen diese Schussstruktur erfassen und sie nutzen, um aus der Kopfrichtung und der Gitterzellaktivität die Kopfrichtung und den Standort des Tieres zu entschlüsseln.
Um diese neuronalen Strukturen zu verstehen, darzustellen und zu entschlüsseln, sind Modelle erforderlich, die eine Konnektivität auf höherer Ebene umfassen, mehr als die eindimensionale Konnektivität, die herkömmliche graphbasierte Modelle bieten.
Zu diesem Zweck entwickeln wir in dieser Arbeit ein Deep-Learning-Topologie-Framework für die Dekodierung neuronaler Züge. Unser Framework kombiniert einfache unbeaufsichtigte komplexe Erkennung mit der Leistungsfähigkeit von Deep Learning über eine neue Architektur, die wir hier entwickeln und die als vereinfachtes Faltungs-Rekurrentes Neurales Netzwerk bezeichnet wird.
Einfache Komplexe, topologische Räume, die nicht nur Eckpunkte und Kanten, sondern auch höherdimensionale Objekte verwenden, verallgemeinern Graphen auf natürliche Weise und erfassen mehr als nur paarweise Beziehungen.
Darüber hinaus erfordert dieser Ansatz keine Vorkenntnisse über die neuronale Aktivität, die über die Anzahl der Spikes hinausgeht, sodass keine Ähnlichkeitsmessungen erforderlich sind.
Die Wirksamkeit und Vielseitigkeit eines vereinfachten Faltungs-Neuronalen Netzwerks bei der Kopfrichtungs- und Pfadvorhersage werden anhand von Kopfrichtungs- und Gitterzellendatensätzen demonstriert.
