Новое исследование сочетает глубокое обучение с данными нейронной активности мышей, чтобы раскрыть тайну того, как они ориентируются в окружающей среде.
Анализируя закономерности срабатывания нейронов направления головы и «клеток сетки», исследователи могут точно спрогнозировать местоположение и ориентацию мыши, проливая свет на сложные функции мозга, участвующие в навигации. Этот метод, разработанный в сотрудничестве с Исследовательской лабораторией армии США, представляет собой значительный шаг вперед в понимании пространственного восприятия и может произвести революцию в автономной навигации в системах искусственного интеллекта.
Результаты подчеркивают потенциал интеграции биологических знаний в искусственный интеллект для улучшения машинной навигации без использования технологии GPS.
Исследователи объединили модель глубокого обучения с экспериментальными данными, чтобы «расшифровать» нейронную активность мышей.
Используя данный метод, ученые могут точно определить, где находится мышь в открытой среде и в каком направлении она смотрит, просто взглянув на модели ее нейронных импульсов.
Возможность декодировать нейронную активность может дать представление о функциях и поведении отдельных нейронов или даже целых областей мозга.
Эти результаты, опубликованные в научном журнале Biophysical Journal, могут также помочь в разработке интеллектуальных машин, которым в настоящее время сложно ориентироваться автономно.
В сотрудничестве с учеными из Исследовательской лаборатории армии США команда автора исследования Василиоса Маруласа (Vasileios Maroulas) использовала модель глубокого обучения для исследования двух типов нейронов, которые участвуют в навигации: нейроны «направления головы», которые кодируют информацию о том, в каком направлении смотрит животное, и «ячейки сетки», которые кодируют двумерную информацию о местоположении животного в его пространственной среде.
«Современные интеллектуальные системы доказали свою эффективность в распознавании образов, но когда дело доходит до навигации, эти же так называемые интеллектуальные системы не работают очень хорошо без координат GPS или чего-то еще, управляющего процессом», — комментирует Марулас, математик в Университете Теннесси (University of Tennessee) в Ноксвилле.
«Я думаю, что следующим шагом вперед для систем искусственного интеллекта станет интеграция биологической информации с существующими методами машинного обучения».
В отличие от предыдущих исследований, в которых была попытка понять поведение ячеек сетки, команда ученых основывала свой метод на экспериментальных, а не на смоделированных данных.
Данные, собранные в рамках предыдущего исследования, состояли из моделей нейронных импульсов, собранных с помощью внутренних зондов, в сочетании с «наземными» видеозаписями о фактическом местоположении мыши, положении головы и движениях, когда они исследовали открытую среду.
Анализ включал интеграцию моделей активности в группах направления головы и ячеек сетки.
«Для понимания и представления этих нейронных структур требуются математические модели, которые описывают связность более высокого порядка. Это означает, что я не хочу понимать, как один нейрон активирует другой нейрон, а, скорее, я хочу понять, как ведут себя группы и команды нейронов», — дополняет Марулас.
Используя новый метод, исследователи смогли предсказать местоположение мыши и направление головы с большей точностью, чем ранее описанные методы. Далее они планируют включить информацию от других типов нейронов, участвующих в навигации, и проанализировать более сложные закономерности.
В конечном итоге исследователи надеются, что их метод поможет разработать интеллектуальные машины, которые смогут перемещаться в незнакомой среде без использования GPS или спутниковой информации. «Конечная цель — использовать эту информацию для разработки архитектуры машинного обучения, которая сможет успешно перемещаться по неизвестной местности автономно и без GPS или спутникового наведения», — заключает Марулас.
