Ringkasan: Sebuah studi baru menggabungkan pembelajaran mendalam dengan data aktivitas saraf tikus untuk mengungkap rahasia cara mereka menavigasi lingkungannya.
Dengan menganalisis pola penembakan neuron “arah kepala” dan “sel jaringan”, para ilmuwan kini dapat secara akurat memprediksi posisi dan orientasi seekor tikus, sehingga menjelaskan fungsi otak kompleks yang terlibat dalam navigasi. Metode ini, yang dikembangkan bekerja sama dengan Laboratorium Penelitian Angkatan Darat AS, mewakili lompatan maju yang signifikan dalam pemahaman kesadaran spasial dan dapat merevolusi navigasi otonom dalam sistem kecerdasan buatan.
Temuan ini menyoroti potensi untuk mengintegrasikan wawasan biologis ke dalam kecerdasan buatan untuk meningkatkan navigasi mesin tanpa bergantung pada teknologi GPS.
Fakta-fakta kunci:
Pembelajaran mendalam menerjemahkan navigasi: Para peneliti menggunakan model pembelajaran mendalam untuk memecahkan kode aktivitas saraf tikus, secara akurat memprediksi posisi dan orientasi tikus hanya berdasarkan pola pengaktifan neuron “arah kepala” dan “sel jaringan”.
Kerjasama dengan Laboratorium Penelitian Angkatan Darat AS: Studi ini dilakukan bekerja sama dengan Laboratorium Penelitian Angkatan Darat AS untuk mengintegrasikan wawasan biologis dengan pembelajaran mesin guna meningkatkan navigasi otonom dalam sistem cerdas tanpa GPS.
Potensi sistem AI: Temuan ini dapat menginformasikan desain sistem kecerdasan buatan yang mampu melakukan navigasi otonom di lingkungan asing, menggunakan mekanisme saraf yang mendasari kesadaran spasial dan navigasi yang ditemukan dalam sistem biologis.
Sumber: Tekan Sel
Para peneliti memasangkan model pembelajaran mendalam dengan data eksperimen untuk “memecahkan kode” aktivitas saraf tikus.
Dengan menggunakan metode ini, mereka dapat menentukan dengan tepat di mana seekor tikus berada di lingkungan terbuka dan ke arah mana ia menghadap hanya dengan melihat pola sarafnya.
Kemampuan untuk memecahkan kode aktivitas saraf dapat memberikan wawasan tentang fungsi dan perilaku neuron individu atau bahkan seluruh wilayah otak.
Temuan ini dipublikasikan pada 22 Februari Jurnal Biofisikajuga dapat menginformasikan desain mesin cerdas yang saat ini kesulitan dengan navigasi otonom.
Selanjutnya, mereka berencana untuk menggabungkan informasi dari jenis neuron lain yang terlibat dalam navigasi dan menganalisis pola yang lebih kompleks. Kredit: Berita Neurosains
Bekerja sama dengan para peneliti di Laboratorium Penelitian Angkatan Darat AS, tim penulis utama Vasileios Maroulas menggunakan model pembelajaran mendalam untuk menguji dua jenis neuron yang terlibat dalam navigasi: neuron “arah kepala”, yang menyandikan informasi tentang ke arah mana hewan tersebut menghadap. dan “sel grid” yang mengkodekan informasi dua dimensi tentang lokasi hewan di lingkungan spasialnya.
“Sistem intelijen saat ini telah terbukti sangat baik dalam pengenalan pola, namun jika menyangkut navigasi, sistem intelijen ini tidak akan berfungsi dengan baik tanpa koordinat GPS atau sesuatu yang lain untuk memandu prosesnya,” kata Maroulas, seorang ahli matematika. di Universitas Tennessee Knoxville.
“Saya pikir langkah maju berikutnya dalam sistem kecerdasan buatan adalah integrasi informasi biologis dengan metode pembelajaran mesin yang ada.”
Berbeda dengan penelitian sebelumnya yang berupaya memahami perilaku sel grid, tim ini mendasarkan metode mereka pada data eksperimen, bukan data simulasi.
Data yang dikumpulkan dalam penelitian sebelumnya terdiri dari pola penembakan saraf yang dikumpulkan menggunakan probe internal, dipasangkan dengan rekaman video “kebenaran dasar” dari posisi sebenarnya, posisi kepala, dan gerakan tikus saat menjelajahi area terbuka. Lingkungan.
Analisis melibatkan integrasi pola aktivitas antar kelompok arah kepala dan sel grid.
“Memahami dan merepresentasikan struktur saraf ini memerlukan model matematika yang menggambarkan konektivitas tingkat tinggi—yaitu, saya tidak ingin memahami bagaimana satu neuron mengaktifkan neuron lain, namun saya ingin memahami bagaimana kelompok dan tim neuron berperilaku,” dia mengatakan. Maroulas.
Dengan menggunakan metode baru, para peneliti mampu memprediksi posisi dan arah kepala tikus dengan akurasi lebih tinggi dibandingkan metode yang dijelaskan sebelumnya. Selanjutnya, mereka berencana untuk menggabungkan informasi dari jenis neuron lain yang terlibat dalam navigasi dan menganalisis pola yang lebih kompleks.
Pada akhirnya, para peneliti berharap metode mereka akan membantu merancang mesin cerdas yang dapat menavigasi lingkungan asing tanpa menggunakan GPS atau informasi satelit. “Tujuan utamanya adalah menggunakan informasi ini untuk mengembangkan arsitektur pembelajaran mesin yang berhasil menavigasi medan yang tidak diketahui secara mandiri dan tanpa panduan GPS atau satelit,” kata Maroulas.
Tentang berita ini dari penelitian ilmu saraf
Pengarang: Christopher Bangku
Sumber: Tekan Sel
Kontak: Christopher Benke – Pers Sel
Gambar: Gambar dikreditkan ke Neuroscience News
Penelitian Asli: Akses terbuka.
“Kerangka Pembelajaran Mendalam Topologi untuk Menguraikan Lonjakan Neural” oleh Vasileios Maroulas dkk. Jurnal Biofisika
Abstrak
Kerangka kerja topologi pembelajaran mendalam untuk decoding lonjakan saraf
Sistem orientasi spasial otak menggunakan rangkaian saraf yang berbeda untuk membantu navigasi berbasis lingkungan. Dua cara otak mengkodekan informasi spasial adalah melalui sel kepala dan sel jaringan. Otak menggunakan sel sesuai arah kepala untuk menentukan orientasi, sedangkan sel grid terdiri dari lapisan neuron yang tumpang tindih yang menyediakan navigasi berbasis lingkungan.
Neuron-neuron ini menyala secara ansambel, di mana beberapa neuron menyala secara bersamaan untuk mengaktifkan satu arah kepala atau kisi. Kami ingin menangkap struktur penembakan ini dan menggunakannya untuk memecahkan kode arah kepala dan lokasi hewan dari arah kepala dan aktivitas sel grid.
Memahami, merepresentasikan, dan mendekode struktur saraf ini memerlukan model yang menggabungkan konektivitas tingkat tinggi, lebih dari konektivitas satu dimensi yang disediakan oleh model berbasis grafik tradisional.
Untuk mencapai tujuan ini, dalam pekerjaan ini kami mengembangkan kerangka pembelajaran mendalam topologi untuk decoding lonjakan saraf. Kerangka kerja kami menggabungkan penemuan kompleks sederhana tanpa pengawasan dengan kekuatan pembelajaran mendalam melalui arsitektur baru yang kami kembangkan di sini yang disebut jaringan saraf berulang konvolusional sederhana.
Kompleks sederhana, ruang topologi yang tidak hanya menggunakan simpul dan tepi, tetapi juga objek berdimensi lebih tinggi, secara alami menggeneralisasi grafik dan menangkap lebih dari sekadar hubungan berpasangan.
Selain itu, pendekatan ini tidak memerlukan pengetahuan sebelumnya tentang aktivitas saraf di luar jumlah lonjakan, sehingga menghilangkan kebutuhan akan ukuran kesamaan.
Efektivitas dan keserbagunaan jaringan saraf konvolusional sederhana ditunjukkan pada arah kepala dan prediksi lintasan melalui kumpulan data arah kepala dan sel grid.
+ There are no comments
Add yours