5月2日發(fā)表在Science雜志的一篇論文中，來(lái)自MIT的三位神經(jīng)科學(xué)家對模擬大腦視覺(jué)皮層的計算模型進(jìn)行了迄今為止最嚴格的測試。

       三位作者分別是MIT大腦與認知科學(xué)系的負責人、麥戈文腦研究所調查員James DiCarlo，以及博士后研究員Pouya Bashivan和Kohitij Kar。

       他們利用目前的大腦視覺(jué)神經(jīng)網(wǎng)絡(luò )模型，設計了一種新方法來(lái)精確地控制單個(gè)神經(jīng)元和位于網(wǎng)絡(luò )中間的神經(jīng)元群。

       在一項動(dòng)物研究中，研究團隊隨后表明，他們利用從計算模型中獲得的信息創(chuàng )建了一些圖像，這些圖像能夠強烈地激活所選定的大腦神經(jīng)元。

       具體來(lái)說(shuō)，Bashivan等人建立了一個(gè)人工神經(jīng)網(wǎng)絡(luò )來(lái)模擬目標視覺(jué)系統的行為，并用它來(lái)構建圖像，這些圖像要么能夠廣泛地激活大量神經(jīng)元，要么選擇性地激活一個(gè)神經(jīng)元群，同時(shí)保持其他神經(jīng)元不變。

       然后，他們分析了這些圖像在獼猴視覺(jué)皮層產(chǎn)生預期效果的有效性。結果顯示，這些操作有很強的效果，并對神經(jīng)元群產(chǎn)生了相當大的選擇性影響。利用這些圖像，神經(jīng)網(wǎng)絡(luò )被證明可以再現動(dòng)物神經(jīng)反應的整體行為。

       研究結果表明，這些模型與大腦非常相似，可以用來(lái)控制動(dòng)物的大腦狀態(tài)。

       James DiCarlo表示，這項新研究有助于確定視覺(jué)模型在腦科學(xué)研究中的有用性。此前，關(guān)于這類(lèi)視覺(jué)模型是否準確地模擬了視覺(jué)皮層的工作方式存在激烈的爭論。

       “人們質(zhì)疑這些模型是否能夠提供對視覺(jué)系統的理解，”James DiCarlo說(shuō)：“我們沒(méi)有在學(xué)術(shù)意義上爭論這個(gè)問(wèn)題，而是證明了這些模型已經(jīng)足夠強大，能夠支持一項重要的新應用。不管你是否理解這個(gè)模型的工作原理，從這個(gè)意義上說(shuō)，它已經(jīng)很有用了。”

       他們在下面的視頻采訪(fǎng)更詳細地闡述了這個(gè)研究。

       訓練神經(jīng)網(wǎng)絡(luò )，4步神經(jīng)控制實(shí)驗

       在過(guò)去幾年里，DiCarlo等人開(kāi)發(fā)了基于人工神經(jīng)網(wǎng)絡(luò )的視覺(jué)系統模型。每個(gè)網(wǎng)絡(luò )都以一個(gè)由模型神經(jīng)元(model neurons)或節點(diǎn)(nodes)組成的任意架構開(kāi)始，這些神經(jīng)元或節點(diǎn)可以以不同的強度(也稱(chēng)為權重)相互連接。

       然后，研究人員用一個(gè)包含超過(guò)100萬(wàn)張圖像的庫中訓練這些模型。當研究人員向模型展示每張圖像，以及圖像中最突出的物體(比如飛機或椅子)的標簽時(shí)，模型通過(guò)改變連接的強度來(lái)學(xué)習識別物體。

       很難準確地了解這個(gè)模型是如何實(shí)現這種識別的，但是DiCarlo和他的同事之前已經(jīng)證明，這些模型中的“神經(jīng)元”產(chǎn)生的活動(dòng)模式與動(dòng)物視覺(jué)皮層響應相同圖像時(shí)的活動(dòng)模式非常相似。

       在這項新研究中，研究人員想要測試他們的模型是否能夠執行一些以前尚未被證明的任務(wù)。特別是，他們想看看這些模型是否可以用來(lái)控制動(dòng)物視覺(jué)皮層的神經(jīng)活動(dòng)。

       他們進(jìn)行了幾個(gè)閉環(huán)的神經(jīng)生理學(xué)實(shí)驗：在將模型神經(jīng)元與每個(gè)記錄的大腦神經(jīng)位置匹配之后，使用該模型合成了全新的“控制器”(controller)圖像。

       如上圖所示，神經(jīng)控制實(shí)驗分四步完成：（1）通過(guò)訓練大量標記的自然圖像來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò )的參數；（2）ANN “神經(jīng)元” 被映射到每個(gè)記錄的 V4 神經(jīng)位點(diǎn)，構成可計算的預測模型。（3）然后將得到的模型用于合成單個(gè)位點(diǎn)或群體控制的 “控制器” 圖像。（4）最后由實(shí)驗者將由這些圖像指定的發(fā)光模式應用于受試者的視網(wǎng)膜，并測量神經(jīng)部位的控制程度。

       上圖（D）顯示了猴 M（黑色），猴 N（紅色）和猴 S（藍色）大腦中神經(jīng)位點(diǎn)的感受野。

       然后，研究人員將這些圖像呈現給每個(gè)受試者，以測試模型控制受試者神經(jīng)元的能力。在一項測試中，他們要求模型嘗試控制每個(gè)神經(jīng)元，使其激活程度超過(guò)其通常觀(guān)察到的激活水平。研究人員發(fā)現，模型生成的合成刺激成功地驅動(dòng)了68%的神經(jīng)位點(diǎn)超出了它們的自然觀(guān)察激活水平。

       在令一項更嚴格的測試中，該模型顯示，它能夠選擇性地控制整個(gè)神經(jīng)亞群，激活一個(gè)特定的神經(jīng)元，同時(shí)使其他記錄的神經(jīng)元失活(成功率達到76%)。

       接下來(lái)，研究人員使用這些合成的controller圖像來(lái)研究模型預測大腦反應的能力是否適用于這些圖像。他們發(fā)現該模型確實(shí)相當準確，預測了54%的由圖像引起的大腦反應模式，但它顯然還不完美。

       “到目前為止，對這些模型所做的工作是預測神經(jīng)會(huì )對其他刺激產(chǎn)生什么反應，這些刺激是他們以前從未見(jiàn)過(guò)的。”Bashivan說(shuō)：“這次的研究主要的不同之處在于，我們更進(jìn)了一步，利用這些模型將神經(jīng)元驅動(dòng)到所需的狀態(tài)。”

       為了實(shí)現這一目標，研究人員首先創(chuàng )建了大腦的視覺(jué)區域V4中的神經(jīng)元和計算模型中的節點(diǎn)的一對一映射。他們通過(guò)分別向動(dòng)物和模型展示圖像，并比較它們對相同圖像的反應來(lái)實(shí)現這一點(diǎn)。V4區域有數百萬(wàn)個(gè)神經(jīng)元，但在這項研究中，研究人員每次為5到40個(gè)神經(jīng)元的亞群創(chuàng )建映射。

       DiCarlo說(shuō)：“一旦每個(gè)神經(jīng)元都有一個(gè)任務(wù)，這個(gè)模型就可以讓你對那個(gè)神經(jīng)元做出預測。”

       然后，研究人員開(kāi)始研究他們是否能利用這些預測來(lái)控制視覺(jué)皮層中單個(gè)神經(jīng)元的活動(dòng)。第一種類(lèi)型的控制，他們稱(chēng)之為“拉伸”(stretching)，即向實(shí)驗者展示一幅圖像，該圖像將驅動(dòng)特定神經(jīng)元的活動(dòng)，其強度遠遠超出通常由“自然”圖像引發(fā)的活動(dòng)，，這些“自然”圖像與用于訓練神經(jīng)網(wǎng)絡(luò )的圖像類(lèi)似。

       研究人員發(fā)現，當他們向動(dòng)物展示這些“合成”圖像時(shí)，目標神經(jīng)元的反應與預期相符。這些“合成”圖像是由模型生成的，不像自然物體。平均而言，神經(jīng)元對這些圖像的反應要比它們看到自然圖像時(shí)活躍約40%。

       這是科學(xué)家第一次實(shí)現這種控制。

       控制大腦神經(jīng)元，有助于治療情緒障礙

       神經(jīng)科學(xué)的一個(gè)普遍趨勢是，實(shí)驗數據收集和計算建模在某種程度上是獨立進(jìn)行的，導致很少有模型驗證，因此沒(méi)有可測量的進(jìn)展。這項的工作使這種“閉環(huán)”方法重現生機，同時(shí)進(jìn)行模型預測和神經(jīng)測量，這對成功構建和測試最接近大腦的模型至關(guān)重要。

       研究人員還表示，他們可以利用該模型來(lái)預測V4區域的神經(jīng)元對合成圖像的反應。之前對這些模型的大多數測試都使用了與訓練模型相同的自然圖像。MIT的研究團隊發(fā)現，這些模型在預測大腦對合成圖像的響應方面的準確率約為54%，而使用自然圖像時(shí)的準確率接近90%。

       Bashivan說(shuō)：“從某種意義上說(shuō)，我們正在量化這些模型在訓練領(lǐng)域之外做出預測的準確性。理想情況下，無(wú)論輸入是什么，模型都應該能夠準確預測。”

       研究人員希望在接下來(lái)的研究中，通過(guò)讓模型吸收他們從合成圖像中學(xué)到的新信息來(lái)提高模型的準確性。

       研究人員表示，這種控制可能對想要研究不同神經(jīng)元之間如何相互作用以及它們之間如何連接的神經(jīng)科學(xué)家有用。將來(lái)，這種方法有助于治療抑郁癥等情緒障礙。研究人員目前正致力于將他們的模型擴展到下顳葉皮層，進(jìn)入杏仁核，這是參與情緒處理的區域。

       Bashivan說(shuō)：“如果我們有一個(gè)很好的神經(jīng)元模型，這個(gè)模型可以讓我們的神經(jīng)元參與體驗情緒，或者引發(fā)各種各樣的紊亂，那么我們就可以用這個(gè)模型來(lái)驅動(dòng)神經(jīng)元，從而幫助改善這些紊亂。”

       “他們成功地做到了這一點(diǎn)，真的很了不起。就好像，至少對那個(gè)神經(jīng)元來(lái)說(shuō)，它的理想圖像突然變成焦點(diǎn)，神經(jīng)元突然被提供了它一直在尋找的刺激，”匹茲堡大學(xué)生物工程副教授A(yíng)aron Batista評價(jià)道：“這是一個(gè)了不起的想法，一項了不起的壯舉。這可能是迄今為止，對使用人工神經(jīng)網(wǎng)絡(luò )來(lái)理解真實(shí)神經(jīng)網(wǎng)絡(luò )的最強有力的驗證。”

       參考鏈接：

       http://news.mit.edu/2019/improved-deep-neural-network-vision-systems-just-provide-feedback-loops-0429

       https://science.sciencemag.org/content/364/6439/eaav9436

點(diǎn)擊下圖，觀(guān)眾預登記成功送20元話(huà)費