En storstilet model af primær visuel cortex kan nøjagtigt løse flere visuelle behandlingsopgaver

En storstilet model af primær visuel cortex kan nøjagtigt løse flere visuelle behandlingsopgaver

HBP-forskere har trænet en storstilet model af musens primære visuelle cortex til at løse visuelle opgaver på en ekstrem robust måde. Modellen danner grundlag for en ny generation af neurale netværksmodeller. På grund af deres alsidighed og energieffektive behandling kan disse modeller bidrage til fremskridt inden for neuromorfisk databehandling.

Modellering af hjernen kan have en massiv indflydelse på kunstig intelligens (AI): Da hjernen behandler billeder meget mere energieffektivt end kunstige netværk, henter forskere inspiration fra neurovidenskab til at skabe neurale netværk, der fungerer meget tættere på de biologiske, hvilket sparer energi.

I denne forstand vil hjerne-inspirerede neurale netværk sandsynligvis have en indflydelse på fremtidige teknologier ved at tjene som tegninger for visuel behandling i mere strømeffektiv neuromorf hardware. Nu viste en undersøgelse fra forskere ved Human Brain Project (HBP) ved Graz University of Technology (Østrig), hvordan en stor databaseret model kan gengive en række af hjernens visuelle behandlingsevner på en alsidig og præcis måde. Resultaterne blev offentliggjort i tidsskriftet Science Advances.

Neurovidenskab e-bog

Samling af de bedste interviews, artikler og nyheder fra det sidste år. Download en kopi i dag

Ved at bruge PCP-pilotsystemerne på Jülich Supercomputing Center, udviklet i samarbejde mellem HBP og softwarevirksomheden Nvidia, analyserede holdet en biologisk detaljeret storskalamodel af den primære musevisuelle cortex, der kan løse flere visuelle behandlingsopgaver. Denne model giver den største integration af anatomiske detaljer og neurofysiologiske data, der i øjeblikket er tilgængelige for visuelle cortex-område V1, som er den første kortikale region til at modtage og behandle visuel information.

Modellen er bygget med en anden arkitektur end de dybe neurale netværk, der bruges i nuværende AI, og forskerne fandt ud af, at den har interessante fordele i forhold til indlæringshastighed og visuel behandlingskraft i forhold til modeller, der almindeligvis bruges til visuel behandling i AI.

Modellen var i stand til at løse alle fem visuelle opgaver stillet af teamet med høj nøjagtighed. Disse opgaver involverede for eksempel at klassificere billeder af håndskrevne tal eller genkende visuelle ændringer i en lang række billeder. Bemærkelsesværdigt nok opnåede den virtuelle model samme høje ydeevne som hjernen, selv når forskerne udsatte modellen for støj i billeder og netværk, som den ikke havde mødt under træningen.

En årsag til modellens overlegne robusthed – eller dens evne til at klare fejl eller uventede input som støj i billederne – er, at den gengiver flere karakteristiske kodningsegenskaber i hjernen.

Forfatterne har udviklet et unikt værktøj til at studere hjernelignende visuel behandling og neural kodning og beskriver deres nye model som et "hidtil uset vindue ind i dynamikken i dette hjerneområde."

Kilde:

Human Brain Project

Reference:

Chen, G., et al. (2022) En datadrevet storskalamodel for den primære visuelle cortex muliggør en hjernelignende robust og alsidig visuel behandling. Videnskabelige fremskridt. doi.org/10.1126/sciadv.abq7592.

.