Активность мозга слишком сложна для расшифровки — для нас это сделают компьютеры — «наука»

Активность мозга слишком сложна для расшифровки — для нас это сделают компьютеры - «наука»

Популярная наука

Для чего нам ИИ для изучения отечественного, природного?

За последние пара лет лаборатория нейробиологии Джека Галланта извела кучу бумаги на изучения, выводы из которых звучат нелепо.

В 2011 году лаборатория продемонстрировала, что вероятно воспроизвести клипы, опираясь только на наблюдения за активностью мозга людей, каковые их наблюдают. Применяя компьютер для воссоздания образов фильма и сканируя для этого мозг человека, что наблюдает данный фильм, в каком-то смысле возможно заниматься чтением мыслей. Подобным же образом в 2015 году команда ученых под управлением Галланта смогла выяснить, какие конкретно узнаваемые картины люди, чья мозговая активность наблюдалась, рисовали в уме.

В текущем году команда заявила в издании Nature, что они создали «атлас», в котором зафиксировали, где в мозгу находятся более 10 000 отдельных слов — легко изучая, как участники опыта слушают подкасты.

Как им все это удалось? Посредством возможностей машинного обучения — возможно сообщить, ИИ, что смог вскрыть огромную сокровищницу информации головного мозга и выяснить паттерны его активности, разрешающие угадывать, что происходит у нас в сознании.

Цель выстроить машину для чтения мыслей не стояла (не смотря на то, что довольно часто так думают). Нейробиологи не планируют красть пароли прямо у вас из головы. Ваши ужасные тайны их также не интересуют.

Настоящая цель значительно величественнее.

Перевоплотив нейробиологию в науку о «громадных данных» и применяя машинное обучение для изучения этих данных, Галлант с сотрудниками вступили на путь вероятной революции в отечественных представлениях о мозге.

Так как все-таки человеческий мозг — это самый сложноустроенный объект, знакомый нам во вселенной, и мы чуть знаем его. Безумная мысль лаборатории Галланта — мысль, которая имела возможность бы оказать помощь нейробиологии «вырасти» из детского возраста и подняться на ноги — состоит вот в чем: возможно, нам стоит создать особые автомобили, каковые растолкуют нам отечественный личный мозг. Имеется надежда, что в случае если мы сможем расшифровать поразительно затейливые узоры активности мозга, то тогда сможем и осознать, как исправлять последствия его заболеваний.

Функциональная МРТ — главный инструмент изучения и его функций анатомии и анализа мозга — была изобретена лишь в 90-х и она дает нам только весьма приблизительную картину.

© AP Photo, Heather de Rivera/McCarroll Lab/Harvard via APНейроны мозга

Для сравнения: самый мелкий элемент активности мозга, что может зафиксировать фМРТ, — это так называемый воксел. В большинстве случаев такие вокселы чуть меньше, чем куб со стороной один миллиметр. А в одном вокселе может быть 100 000 нейронов.

Как мне растолковал нейробиолог Техасского университета Тал на данный момент (Tal Yarkoni), фМРТ «напоминает полет над городом в отыскивании зажженных фонарей».

Снимки классической фМРТ смогут продемонстрировать, где находятся широкие территории, которые связаны с поведением, — к примеру, где у нас рождаются отрицательные эмоции либо какие конкретно территории активизируются, в то время, когда мы видим привычное лицо.

Но наряду с этим мы не знаем, какую как раз роль та либо другая территория играется в отечественном поведении, и имеют ли важное значение кроме этого и менее активные территории. Отечественный мозг — это не комплект конструктора «Лего», где любая из подробностей имеет конкретное назначение. Это целая совокупность активностей. «Любая область мозга имеет 50%-ный шанс появляться связанной с каждый областью», — говорит Галлант.

Исходя из этого простые опыты по поиску в мозге, к примеру, «территории голода» либо «территории внимания» практически не смогут дать удовлетворительного результата.

«Последние 15 лет мы рассматривали эти очаги активности и думали о том, что это и имеется все данные тут — сами очаги», сказал мне в июле Петер Бандеттини, начальник отделения методики фМРТ в Национальном университете психологического здоровья. «А выясняется, что любой нюанс каждого очагаа, мельчайшее изменение в его колебаниях содержит данные о деятельности мозга, мы в этом еще кроме того не до конца разобрались. Вот из-за чего нам необходимы эти технологии машинного обучения.

Отечественные глаза видят эти очаги, но не различают их структуру. Структура через чур сложна».

Вот пример. Классическое представление о том, как мозг применяет язык, содержится в том, что процесс происходит в левом полушарии и двух особых территориях — территории Брока и территории Вернике — центрах языковой активности. В случае если эти территории буду повреждены, вы станете неспособны к лингвистической деятельности.

Но Алекс Хут (Alex Huth), постдокторант Лаборатории Галланта, сравнительно не так давно продемонстрировал, что такое познание через чур упрощенно. Хуту хотелось знать, участвует ли в применении языка целый мозг.

В одном его опыте пара участников слушали двухчасовой подкаст, в котором рассказывалась история называющиеся «Мотылек», тогда как он с сотрудниками записывал их мозговую активность посредством сканеров фМРТ. Цель была установить связь между активностью определенных территорий мозга и прослушиванием конкретных слов.

Это дало громадный количество информации, больше, чем какой-либо человек в состоянии обработать, поведал Галлант. Но компьютерная программа, обученная поиску паттернов, может их определять. И посредством программы, которую создал Хут, была вероятным нарисовать «атлас», показывающий где то либо иное конкретное слово «живет» в мозгу.

«Изучение Алекса продемонстрировало, что огромные части мозга участвуют в семантическом осмыслении», — говорит Галлант. Помимо этого, он продемонстрировал, что слова со смежными значениями — типа «собака» и «пудель» — находятся в мозгу рядом между собой.

Так в чем же значение аналогичного проекта? В сфере науки прогнозирование свидетельствует власть. В случае если ученые растолкуют, как потрясающий шквал мозговой активности отражает лингвистическую активность, они смогут выстроить лучшую модель работы мозга.

А если они создадут рабочую модель, то смогут лучше осознать, что случается, в то время, когда переменные изменяются — в то время, когда мозг нездоров.

Что такое машинное обучение?

«Машинное обучение» — это широкий термин, что охватывает громадный массив ПО. В области бытовых разработок машинное обучение начинается как на дрожжах — к примеру, обучаясь идентифицировать, другими словами «видеть» объекты, скажем, на фото практически как человек. Применяя разработку машинного обучения, которая именуется «глубокое обучение», сервис Гугл’s Translate развился из зачаточного инструмента перевода (довольно часто дающего весьма забавные результаты) до ПО, которое может переводить Хемингуэя на дюжину языков и выдавать стиль, талантливый соперничать с профи.

Но на базисном уровне ПО с машинным обучением занимается поиском паттернов: какова возможность того, что переменная X будет коррелировать с Y.

© AP Photo, KEYSTONE/Salvatore Di NolfiДоктор проводит МРТ-изучение в лаборатории в Швейцарии

В большинстве случаев, программы машинного обучения нуждаются в первичной «тренировке» на определенном комплекте данных. Чем больше тренировочных данных, тем «умнее» в большинстве случаев делается механизм. По окончании тренировки программы машинного обучения приобретают совсем новые комплекты данных, с которыми они раньше не сталкивались.

И на базе этих новых комплектов данных они уже смогут начать делать прогнозы.

Несложный и хороший пример — ваш фильтр против спама. Самообучающаяся программа просканировала достаточное количество «мусорных» посланий, изучила, какие конкретно языковые паттерны в них находились, и сейчас может выявить спам в пришедшем письме.

Машинное обучение может употребляться в весьма несложных программах, каковые математические регрессии (Не забывайте уроки математики в школе ? Подсказка: это о том, как отыскать наклон линии, которая обрисовывает соотношение нескольких точек графика). Либо оно возможно как у Гугл DeepMind, собирающей миллионные комплекты значений, которая помогла компании Google создать компьютер, обыгравший человека в го, игру так сложную, что ее фигуры и доска делают вероятными большее количество конфигураций, чем число атомов во вселенной.

Нейробиологи применяют машинное обучение для нескольких различных целей. Вот две главных: декодирование и кодирование.

«Кодирование» подразумевает, что программа с машинным обучением пробует угадать, какой паттерн мозговой активности приведёт к определённому раздражителю.

«Декодирование» — это обратный процесс: По данным, которыми мы сейчас рассполагаем, об активных территориях мозга необходимо выяснить, на что наблюдают участники опыта.

(Примечание: нейробиологи применяют машинное обучение и вместе с другими сканерами мозговой активности — такими, как ЭЭГ и МЭГ — в дополнение к фМРТ).

Брайс Кул (Brice Kuhl), нейробиолог Орегонского университета, сравнительно не так давно применял декодирование, дабы реконструировать лица, на каковые наблюдали партиципанты, основываясь только на данных фМРТ.

Области мозга, каковые Кул зафиксировал на снимках МРТ, в далеком прошлом известны тем, что связаны с броскими воспоминаниями. «Связана ли эта область с конкретными изюминками того, что вы видели, либо легко [активизируется] по причине того, что у вас отчетливые воспоминания?» — задается вопросом Кул. Если судить по тому, что программа машинного обучения определяет черты лица, опираясь на активность мозга в данной области, возможно высказать предположение, что в данной территории «живет» и информация о «подробностях замеченного».

Верхний последовательность — это настоящие лица, использованные в опыте Кула. Два нижних последовательности — предугаданы на базе активности двух различных областей мозга. Реконструкции далеки от совершенства, но они отражают главные характеристики оригиналов — пол, тон кожи и ухмылку удалось зафиксировать.

Изображение из The Journal of Neuroscience.

Похожим образом опыт Галланта по определению того, о каком произведении мастерства думают партиципанты, раскрыл еще один маленький секрет мозга: мы активизируем одинаковые территории мозга, в то время, когда вспоминаем визуальную данные и в то время, когда фактически принимаем ее.

Те нейробиологи, с которыми я говорил, поведали, что до тех пор пока что машинное обучение не произвело в их области какой-то особой революции. Главная причина этого то, что у них нет достаточного количества данных. Сканирование мозга занимает довольно много времени и стоит дорого, так что в опытах в большинстве случаев задействуются пара дюжин участников, а не пара тысяч.

«В 90-х нейровизуализация лишь показалась, люди искали отличие в восприятии различных категорий явлений — какая часть мозга активизируется при восприятии лиц, а какая — при восприятии домов либо инструментов, это были широкомасштабные задачи», — говорит Авнил Хьюмен (Avniel Ghuman), исследователь нейродинамики в Питтсбургском университете. «на данный момент мы можем задавать более конкретные вопросы. К примеру, вспоминает ли человек на данный момент о том же, о чем думал 10 мин. назад?»

Это прогресс «скорее эволюционный, чем революционный», говорит он.

Нейробиологи сохраняют надежду, что машинное обучение окажет помощь диагностировать и лечить умственные расстройства

На сегодня психиатры не смогут больного посредством фМРТ и выяснить, страдает ли он умственным расстройством типа шизофрении, лишь по данным об активности мозга. Они вынуждены надеяться на клинические беседы с больным (каковые, несомненно, имеют огромное значение). Но программный диагностический подход имел возможность бы разрешить отличать один вид недуга от другого, что повлияло бы на выбор лечения.

Дабы этого добиться, по словам Бандеттини из Национального университета психологического здоровья, нейробиологам требуется доступ к огромным базам данных по очагам мозговой активности на базе фМРТ-сканирований, складывающимся из 10 000 субъектов.

Программы с машинным обучением имели возможность бы изучить эти комплекты данных в отыскивании сигнальных паттернов умственных расстройств. «А тогда возможно возвратиться в начало и применять все это более клинически — просканировать человека и сообщить: „На основании биомаркера, выделенного посредством базы данных, организованной из показателей 10 000 человек, мы может поставить диагноз, скажем, шизофрения“», — растолковывает Бандеттини. Работа в этом направлении все еще носит усилия и предварительный характер не дали больших результатов.

Но при достаточном понимании того, как взаимодействуют между собой мозговые совокупности, возможно было бы «планировать все более и более сложные методы вмешательства с целью исправить работу мозга, если она внезапно отправилась не так», — говорит Дан Яминс (Dan Yamins), вычислительный нейробиолог в Массачусетском технологическом университете. «К примеру, быть может, мы сможем вживлять что-то наподобие имплантата, что каким-то образом скорректирует заболевание Альцгеймера либо Паркинсона».

Машинное обучение имело возможность бы кроме этого оказать помощь психиатрам заблаговременно определять, как мозг того либо иного больного отреагирует на конкретное медикаментозное лечение депрессии. «На сегодня психиатры вынуждены лишь догадываться, какое лекарство наверное будет действенно с диагностической точки зрения», — говорит Яминс. «По причине того, что информация, которую дают симптомы, не предоставляет достаточно правильной картины того, что происходит в мозгу».

Он выделил, что в скором времени этого не случится. Но ученые уже начали думать над этими проблемами. Издание NeuroImage развил целую дискуссию, посвященную изучениям в области изучения личных различий мозга и диагностике, основанной только на данных нейровизуализации.

Это серьёзная работа. По причине того, что в области здравоохранения подобная расшифровка предложит новые профилактики и способы лечения.

Машинное обучение имело возможность бы прогнозировать эпилептические припадки

Больные, страдающие эпилепсией, ни при каких обстоятельствах не знают, в то время, когда ожидать парализующего приступа. «Это весьма ухудшает уровень качества судьбы — вы, к примеру, не имеете возможность управлять автомобилем, это бремя, вы не участвуете во всех сферах повседневной судьбе, как имели возможность бы», — говорит мне Кристиан Майсел (Christian Meisel), нейробиолог, сотрудник Национальных университетов здоровья США, — «Идеально было бы иметь какую-то совокупность предупреждения».

Да и методы лечения эпилепсии далеки от совершенства. Кое-какие больные принимают противосудорожные препараты 24 часа в день 7 дней в неделю, а ведь у них имеется важные побочные эффекты. А на 20-30% больных никакие препараты просто не действуют.

Прогнозирование имело возможность бы поменять правила игры.

Если бы эпилептики знали, что приближается припадок, они успевали хотя бы отыскать надёжное место. Прогнозирование имело возможность бы кроме этого повилять на методы лечения: предупреждение давало бы сигнал прибору, что вводит быстродействующий противоэпилептический препарат либо отправляет электрический сигнал, мешающий формированию припадка.

Майсел продемонстрировал мне ЭЭГ — электроэнцефалограмму — одного из страдающих эпилепсией больных. «Сейчас припадка не было», — говорит Майсел, — «Вопрос в том, отражена ли тут активность мозга за час либо более чем за четыре часа до припадка»?

Для клинициста будет весьма тяжело это спрогнозировать, «в случае если по большому счету не нереально», говорит он.

Но информация о приближающемся припадке возможно скрыта в этом водовороте активности. Дабы проверить эту возможность, лаборатория Майсела сравнительно не так давно участвовала в конкурсе, организованном научным интернет-сообществом Kaggle. Kaggle предоставило электроэнцефалограммы трех страдающих эпилепсией больных, записывавшиеся в течение нескольких лет.

Майсел применял машинное обучение, дабы проанализировать эти и отыскать паттерны.

Как прекрасно возможно предвещать по ЭЭГ приступы с целью готовиться к ним? «В случае если вычислять, что у нас имеется идеальная совокупность, которая может прогнозировать все, пускай это будет 1 балл», — говорит Майсел, — «А вдруг совокупность делает предсказание случайно, не надежнее, чем подбрасывая монетку, то это 0,5 балла. Мы на данный момент на уровне 0,8. Это значит, что мы не делаем совершенных прогнозов.

Но отечественные прогнозы значительно надежнее, чем случайные предположения». (Звучит это здорово, но в действительности на данный момент данный подход относится скорее к области теории, чем к практике. ЭЭГ изученных больных были внутричерепными, а это инвазивная процедура).

Имплант поставил на ноги мартышку

The New York Times10.11.2016Твой мозг делает тебя тем, кто ты имеется

Aftenposten21.10.2016Я перепрограммировала собственный мозг

Nautilus03.10.2016Какая работа вредна для вашего мозга?

BBC06.08.2016

Майсел занимается теоретической нейрологией, разрабатывая модели, по которым эпилептические припадки разрастаются из маленьких очагов нейтральной активности во безграничный изнуряющий шторм. Он говорит, что машинное обучение делается нужным инструментом, что окажет помощь ему развить собственную теорию. Он может включить эту теорию в модель с машинным обучением и взглянуть, станет ли совокупность делать более качественные либо менее качественные прогнозы. «В случае если это сработает, значит, моя теория верна», — говорит он.

Дабы машинное обучение дало вправду большие результаты, нейробиология будет наукой с громадной базой данных

Машинное обучение не примет решение всех главных неприятностей нейробиологии. Оно ограничивается качеством информации, поступающей от сканирования фМРТ и других типов сканирования мозга. (направляться не забывать, что фМРТ дает в лучшем случае только размытое изображение мозга.) «Кроме того если бы у нас нескончаемое число изображений, мы все равно не имели возможность делать совершенные прогнозы, поскольку нынешние методы визуализации весьма несовершенны», — говорит Гейл Вероко (Gael Varoquaux), эксперт по вычислительным совокупностям, что перевоплотил машинное обучение в инструмент для работы нейробиологов.

По крайней мере, все нейробиологи, с которыми я говорил, восхищались машинным обучением как минимум вследствие того что оно делает науку более правильной. Машинное обучение справляется с так называемой «проблемой множественного сравнения», благодаря чему ученые смогут вылавливать статистически значимые результаты в добытых данных (при условии наличия достаточного количества сканов мозга, где «подсвечена» какая-то область). Благодаря машинному обучению вы совершенно верно понимаете, верный ваш прогноз относительно реакции мозга либо нет. «Возможность предвещать», — говорит Вероко, — «дает вам контроль».

Подход по принципу работы с громадными данными кроме этого подразумевает, что нейробиологи смогут начать изучение мозга за пределами лаборатории. «Все отечественные классические модели изучения того, как происходит мозговая активность, основана на весьма своеобразных неестественных условиях опыта», — говорит Хьюмен, — «Мы не в полной мере уверены, что все будет происходить так же в условиях настоящей судьбе». В случае если у нас хватит информации о мозговой активности (к примеру, поставляемых мобильными сканерами ЭЭГ) и реакций мозга, программы машинного обучения имели возможность бы начать искать паттерны, связывающие две эти области, не нуждаясь в надуманных опытах.

Имеется и еще одно использование машинного обучения в нейробиологии, и звучит оно фантастически: мы можем применять машинное изучение мозга, дабы создать еще лучшие программы машинного обучения. Самым громадным прогрессом в развитии машинного обучения за последние десять лет стала так называемая мысль «сверточной нейронной сети». Как раз ее Гугл применяет, дабы распознавать объекты на фотографиях.

Эти нейронные сети основаны на теориях нейробиологии. Исходя из этого в случае если машинное обучение окажет помощь программам лучше осознавать устройство мозга, они смогут отыскать новые приемы для себя и стать умнее. Тогда эти усовершенствованные программы машинного обучения возможно вернуть к предстоящему изучению мозга и определить еще больше в области нейробиологии.

(Исследователи также будут применять эти, полученные посредством программ машинного обучения, созданных для визуального воспроизведения людской поведения. Быть может, изучая человеческое поведение, программа сможет повторить да и то, как мозг в действительности это делает.)

«Я не желаю, дабы люди пологали, что мы вот на данный момент неожиданно изобретем прибор для чтения мыслей, это не верно», — говорит Вероко, — «Мы рассчитываем создать вычислительные модели с более широкими возможностями, дабы лучше осознать мозг. И я думаю, мы преуспеем в этом».

Подписывайтесь на отечественный канал в Telegram!

Каждый день вечером вам будет приходить подборка самых броских и увлекательных переводов ИноСМИ за сутки.

Отыщите в контактах@inosmichannelи добавьте его к себе в контакты либо,

предварительно пройдя регистрацию, перейдите на страницу канала.

Мозг: меняться никогда не поздно. Вопрос науки


Темы которые будут Вам интересны:

Читайте также: