Az elsődleges vizuális kéreg nagyméretű modellje több vizuális feldolgozási feladatot is pontosan képes megoldani

Az elsődleges vizuális kéreg nagyméretű modellje több vizuális feldolgozási feladatot is pontosan képes megoldani

A HBP kutatói az egér elsődleges látókéregének nagy léptékű modelljét képezték ki, amely rendkívül robusztus módon képes megoldani a vizuális feladatokat. A modell a neurális hálózati modellek új generációjának alapját képezi. Sokoldalúságuk és energiahatékony feldolgozásuk miatt ezek a modellek hozzájárulhatnak a neuromorf számítástechnika fejlődéséhez.

Az agy modellezése hatalmas hatással lehet a mesterséges intelligenciára (AI): Mivel az agy sokkal energiahatékonyabban dolgozza fel a képeket, mint a mesterséges hálózatok, a tudósok az idegtudományból merítenek ihletet, hogy olyan neurális hálózatokat hozzanak létre, amelyek sokkal jobban működnek, mint a biológiai hálózatok, így energiát takarítanak meg.

Ebben az értelemben az agy által ihletett neurális hálózatok valószínűleg hatással lesznek a jövő technológiáira azáltal, hogy mintaként szolgálnak a vizuális feldolgozáshoz egy energiahatékonyabb neuromorf hardverben. A Grazi Műszaki Egyetem (Ausztria) Human Brain Project (HBP) kutatóinak tanulmánya bemutatta, hogy egy nagy adatalapú modell hogyan képes sokoldalúan és pontosan reprodukálni az agy vizuális feldolgozási képességeit. Az eredményeket a Science Advances folyóiratban tették közzé.

Idegtudományi e-könyv

Összeállítás az elmúlt év legjobb interjúiból, cikkeiről és híreiről. Töltse le a másolatot még ma

A HBP és az Nvidia szoftvercég együttműködésében kifejlesztett Jülich Supercomputing Center PCP kísérleti rendszereinek felhasználásával a csapat az elsődleges egér vizuális kéreg biológiailag részletezett, nagy léptékű modelljét elemezte, amely több vizuális feldolgozási feladatot is képes megoldani. Ez a modell biztosítja a jelenleg elérhető anatómiai részletek és neurofiziológiai adatok legnagyobb integrálását a V1 látókéreg területén, amely az első kérgi régió, amely vizuális információkat fogad és dolgoz fel.

A modell más architektúrával készült, mint a jelenlegi AI-ban használt mély neurális hálózatok, és a kutatók azt találták, hogy érdekes előnyökkel rendelkezik a tanulási sebesség és a vizuális feldolgozási teljesítmény tekintetében a mesterséges intelligencia vizuális feldolgozására általánosan használt modellekhez képest.

A modell mind az öt, a csapat által felállított vizuális feladatot nagy pontossággal meg tudta oldani. Ezek a feladatok közé tartozott például a kézzel írt számok képeinek osztályozása vagy a vizuális változások felismerése egy hosszú képsorozatban. Figyelemre méltó, hogy a virtuális modell ugyanolyan nagy teljesítményt ért el, mint az agy, még akkor is, ha a kutatók a modellt olyan zajnak tették ki a képeken és a hálózaton, amelyekkel az edzés során nem találkozott.

A modell kimagasló robusztusságának – vagy annak a képességének, hogy képes megbirkózni a hibákkal vagy váratlan bemenetekkel, például zajjal – az egyik oka, hogy az agy számos jellegzetes kódolási tulajdonságát reprodukálja.

A szerzők egyedülálló eszközt fejlesztettek ki az agy-stílusú vizuális feldolgozás és a neurális kódolás tanulmányozására, és új modelljüket úgy írják le, mint „példátlan ablakot ennek az agyterületnek a dinamikájába”.

Forrás:

Emberi Agy projekt

Referencia:

Chen, G. és mtsai. (2022) Az elsődleges vizuális kéreg adatvezérelt nagy léptékű modellje agyszerű robusztus és sokoldalú vizuális feldolgozást tesz lehetővé. Tudományos fejlődés. doi.org/10.1126/sciadv.abq7592.

.