Liela mēroga primārās vizuālās garozas modelis var precīzi atrisināt vairākus vizuālās apstrādes uzdevumus

Liela mēroga primārās vizuālās garozas modelis var precīzi atrisināt vairākus vizuālās apstrādes uzdevumus

HBP pētnieki ir apmācījuši liela mēroga peles primārās vizuālās garozas modeli, lai ārkārtīgi izturīgi atrisinātu vizuālos uzdevumus. Modelis veido pamatu jaunas paaudzes neironu tīklu modeļiem. Pateicoties to daudzpusībai un energoefektīvai apstrādei, šie modeļi var veicināt neiromorfās skaitļošanas attīstību.

Smadzeņu modelēšanai var būt milzīga ietekme uz mākslīgo intelektu (AI): tā kā smadzenes apstrādā attēlus daudz energoefektīvāk nekā mākslīgie tīkli, zinātnieki smeļas iedvesmu no neirozinātnes, lai izveidotu neironu tīklus, kas darbojas daudz tuvāk bioloģiskajiem, tādējādi ietaupot enerģiju.

Šajā ziņā smadzeņu iedvesmotie neironu tīkli, visticamāk, ietekmēs nākotnes tehnoloģijas, kalpojot par vizuālās apstrādes plāniem energoefektīvākā neiromorfā aparatūrā. Tagad Grācas Tehnoloģiju universitātes (Austrija) Cilvēka smadzeņu projekta (HBP) pētnieku pētījums parādīja, kā liels, uz datiem balstīts modelis var daudzpusīgi un precīzi reproducēt smadzeņu vizuālās apstrādes spējas. Rezultāti tika publicēti žurnālā Science Advances.

Neiroloģijas e-grāmata

Pagājušā gada populārāko interviju, rakstu un ziņu apkopojums. Lejupielādējiet kopiju šodien

Izmantojot PCP izmēģinājuma sistēmas Jülich Supercomputing Center, kas izstrādātas sadarbībā starp HBP un ​​programmatūras uzņēmumu Nvidia, komanda analizēja bioloģiski detalizētu primārās peles vizuālās garozas liela mēroga modeli, kas var atrisināt vairākus vizuālās apstrādes uzdevumus. Šis modelis nodrošina vislielāko anatomisko detaļu un neirofizioloģisko datu integrāciju, kas pašlaik ir pieejama vizuālās garozas zonai V1, kas ir pirmais kortikālais reģions, kas saņem un apstrādā vizuālo informāciju.

Modelis ir veidots ar atšķirīgu arhitektūru nekā pašreizējā AI izmantotie dziļie neironu tīkli, un pētnieki atklāja, ka tam ir interesantas priekšrocības mācīšanās ātruma un vizuālās apstrādes jaudas ziņā salīdzinājumā ar modeļiem, ko parasti izmanto vizuālai apstrādei AI.

Modelis spēja ar augstu precizitāti atrisināt visus piecus komandas izvirzītos vizuālos uzdevumus. Šie uzdevumi ietvēra, piemēram, ar roku rakstītu skaitļu attēlu klasificēšanu vai vizuālu izmaiņu atpazīšanu garā attēlu secībā. Jāatzīmē, ka virtuālais modelis sasniedza tādu pašu augstu veiktspēju kā smadzenes, pat ja pētnieki pakļāva modeli attēlos un tīklā redzamiem trokšņiem, ar kuriem tas nebija saskāries apmācības laikā.

Viens no modeļa izcilās robustuma iemesliem vai tā spējai tikt galā ar kļūdām vai negaidītām ievadēm, piemēram, troksni attēlos, ir tas, ka tas atveido vairākas atšķirīgas smadzeņu kodēšanas īpašības.

Autori ir izstrādājuši unikālu rīku smadzeņu stila vizuālās apstrādes un neironu kodēšanas pētīšanai un apraksta savu jauno modeli kā "bezprecedenta logu šīs smadzeņu zonas dinamikā".

Avots:

Cilvēka smadzeņu projekts

Atsauce:

Chen, G., et al. (2022) Uz datiem balstīts liela mēroga primārās vizuālās garozas modelis nodrošina smadzenēm līdzīgu spēcīgu un daudzpusīgu vizuālo apstrādi. Zinātnes sasniegumi. doi.org/10.1126/sciadv.abq7592.

.