華人科學家Cell文章揭秘:你為什麼能對某些人的手機號碼過目不忘?

·6 分鐘 (閱讀時間)

本文來自微信公眾號“新智元”(ID:AI_era),作者:新智元,36氪經授權發布。

來源:cell

編輯:Emil,LQ

【新智元導讀】最新一期Cell上發表了美國貝勒醫學院的華人科學家陳廣和李諾博士聯合斯坦福大學進行的一項跨界研究:通過探討生物的腦神經活動機制,來提升人工神經網絡的穩健性。

在AI領域廣泛應用的機器學習方法從某種意義上來說,是受到了神經生理學的啟發而發明出來的。

盡管如今機器學習計算方法和最新成就都已經與生物學上的大腦神經結構完全不同,但是人們還是喜歡不斷地將機器學習與生物的大腦作對比。

比如前天三位深度學習之父Hinton、LeCun以及Bengio共同發文探討了深度學習未來發展的潛力,也在將深度學習與人類做對比,其中人類大腦一個重要的優勢就在於在面對新環境時仍然具備出色的魯棒性(穩健性),不會受到復雜環境及噪音的干擾。(點擊圖片可進入文章鏈接)

而對於機器學習而言,不斷變化的環境參數及噪音則會對計算產生巨大的干擾,導致結果精度下降。

那人類或者其他動物的大腦是如何在面對新的環境變化及噪音時,保持魯棒性的?

人或者動物具備的「短期記憶」功能就是大腦魯棒性的體現。

比如在舞會上,你能夠暫時記住同你打招呼的陌生人的名字以及手機號碼;在超市,你還能夠想起來之前看到的購物清單。

日前,Cell上發表的最新文章,從探究大腦神經機制入手,揭開了其中的奧秘。

7月1日,由美國貝勒醫學院的陳廣博士、李諾博士與斯坦福大學的博士生Byungwoo Kang和Shaul Druckmann博士等合作,在Cell發表了一篇名為「額葉皮質網絡的模塊化和魯棒性」(Modularity and robustness of frontal cortical networks)的文章。

論文講了什麼?

本篇論文主要描述了以下幾個特點:

  • 跨額葉皮層網絡對選擇的相關和冗餘表徵

  • 個體的變異性表明,模塊化的組織方式對穩健性是必需的

  • 動態門控允許腦區之間的交流和分隔

  • 冗餘的模塊表徵自然出現在穩健的網絡模型中

短期記憶所依據的神經活動是由相互連接的腦區網絡維持的。目前我們仍不知道大腦區域如何相互作用以維持持續的活動,同時對網絡中部分信息的損壞表現出穩健性。

研究人員同時測量了小鼠額葉上的大型神經元群的活動,以探測大腦區域之間的相互作用。跨腦半球的活動被協調以維持連貫的短期記憶。

在整個小鼠實驗中,研究人員發現了額葉皮層網絡組織的個體差異性。持續性活動對擾動的穩健性需要有一個模塊化的組織:每個腦半球在另一個半球受到擾動時保留持續性活動,從而防止局部擾動的擴散。一個動態的門控機制允許腦半球協調一致的信息,同時門控出損壞的信息。

本研究結果表明,強大的短期記憶是由跨腦區的冗餘模塊表徵介導的。冗餘的模塊表徵自然會出現在學習穩健動態的神經網絡模型中。

試驗結果

小鼠執行了一項延遲反應任務,它們用胡須辨別觸覺刺激的位置(前部或後部),並通過定向舔(「舔左 」或 「舔右」)報告物體位置,以獲得水的獎勵。感覺指令和行為反應之間有一個延遲時間(1.7秒)。這要求小鼠使用短期記憶來產生正確的選擇反應(Figure 1A; STAR Methods)。

本研究在小鼠執行短時記憶行為任務的時候,同時對其大腦兩側前額皮層進行了大規模「神經元群體電活動」的記錄以及「光遺傳學擾動」。

實驗發現兩側前額皮層並行表徵了兩份相似的短時記憶信息, 並且表徵該信息的神經活動呈現出高度的「一致性」。

進一步的實驗及小鼠運動視頻分析提示兩側活動的協調一致很可能是由兩側神經網絡的相互作用形成的,而非其它腦區的共同輸入所致。

為了驗證這一點,研究人員對兩側腦區的相互作用進行了直接測量。

在記憶階段的早期用光遺傳學手段直接抑制了單側前額皮層的神經活動,同時觀測該擾動對對側腦區的影響程度。結果發現,有的小鼠表現出高度的模塊性,即抑制左側神經活動對右側幾乎沒有影響,抑制右側神經活動對左側也幾乎沒有影響,呈現兩個模塊。

而另外一些小鼠則缺乏模塊性,左側強烈地支配右側的活動而右側卻不影響左側,呈現不對稱的單一模塊。

總體上不同小鼠擁有不同的模塊化程度,呈近似連續的變化。

進一步分析發現,強烈不對稱的單一模塊表現出兩側活動的高度一致性,而相對獨立的雙模塊系統則表現出較低的一致性。表明兩側活動的協調確實與兩側皮層的相互作用有關。

進一步實驗發現不同小鼠的這種差異化的及左側優勢的兩側腦區間相互作用並非完全天生的,改變行為任務的結構可以將左側優勢反轉為右側優勢。

上述結果說明腦區間低相互作用的模塊化防止破壞信息的擴散(模塊性)對於穩健性是必要的,但同時未擾動腦區的正常記憶信息又需要通過腦區間的較強相互作用來補救(糾錯性,error-correction)擾動腦區被破壞了的信息。

最後,研究人員通過訓練循環神經網絡(recurrent neural network, RNN)執行同樣的行為任務來探索什麼樣的網絡架構可以成為形成穩健網絡的解,以及什麼條件下在人工訓練的神經網絡中也可以重復出實驗中觀察到的現象和原理。

研究表明,要想神經網絡在該短時記憶任務中擁有穩健的表現需要滿足三個基本條件,即兩側皮層網絡間連接的模塊化初始,模塊化訓練以及神經元的非線性特性。

在此訓練好的神經網絡中也同時湧現出兩側網絡間的狀態依賴門控現象。並且類似於實驗研究,改變訓練中兩側網絡感覺輸入的相對強度可以改變人工神經網絡的對稱性結構。

機器學習可能會因為這項研究獲得新的突破。

參考資料:

https://www.cell.com/cell/fulltext/S0092-8674(21)00656-5?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0092867421006565%3Fshowall%3Dtrue

https://www.163.com/dy/article/GDTKKK460532BT7X.html

本文經授權發布,不代表36氪立場。

如若轉載請註明出處。來源出處:36氪