Een grootschalig model van de primaire visuele cortex kan meerdere visuele verwerkingstaken nauwkeurig oplossen

Een grootschalig model van de primaire visuele cortex kan meerdere visuele verwerkingstaken nauwkeurig oplossen

HBP-onderzoekers hebben een grootschalig model van de primaire visuele cortex van de muis getraind om visuele taken op een uiterst robuuste manier op te lossen. Het model vormt de basis voor een nieuwe generatie neurale netwerkmodellen. Vanwege hun veelzijdigheid en energiezuinige verwerking kunnen deze modellen bijdragen aan de vooruitgang op het gebied van neuromorfisch computergebruik.

Het modelleren van de hersenen kan een enorme impact hebben op kunstmatige intelligentie (AI): Omdat de hersenen beelden veel energiezuiniger verwerken dan kunstmatige netwerken, halen wetenschappers inspiratie uit de neurowetenschappen om neurale netwerken te creëren die veel nauwer functioneren dan biologische netwerken, waardoor energie wordt bespaard.

In die zin zullen door de hersenen geïnspireerde neurale netwerken waarschijnlijk een impact hebben op toekomstige technologieën door te dienen als blauwdrukken voor visuele verwerking in energiezuinigere neuromorfe hardware. Nu heeft een onderzoek door onderzoekers van het Human Brain Project (HBP) aan de Technische Universiteit van Graz (Oostenrijk) aangetoond hoe een groot, op data gebaseerd model een reeks van de visuele verwerkingscapaciteiten van de hersenen op een veelzijdige en nauwkeurige manier kan reproduceren. De resultaten zijn gepubliceerd in het tijdschrift Science Advances.

eBook over neurowetenschappen

Compilatie van de beste interviews, artikelen en nieuws van het afgelopen jaar. Download vandaag nog een exemplaar

Met behulp van de PCP-pilotsystemen van het Jülich Supercomputing Center, ontwikkeld in samenwerking tussen het HBP en het softwarebedrijf Nvidia, analyseerde het team een ​​biologisch gedetailleerd grootschalig model van de visuele cortex van de primaire muis dat meerdere visuele verwerkingstaken kan oplossen. Dit model biedt de grootste integratie van anatomische details en neurofysiologische gegevens die momenteel beschikbaar zijn voor het visuele cortexgebied V1, het eerste corticale gebied dat visuele informatie ontvangt en verwerkt.

Het model is gebouwd met een andere architectuur dan de diepe neurale netwerken die in de huidige AI worden gebruikt, en de onderzoekers ontdekten dat het interessante voordelen heeft in termen van leersnelheid en visuele verwerkingskracht ten opzichte van modellen die gewoonlijk worden gebruikt voor visuele verwerking in AI.

Het model kon alle vijf de door het team gestelde visuele taken met hoge nauwkeurigheid oplossen. Deze taken omvatten bijvoorbeeld het classificeren van afbeeldingen van handgeschreven cijfers of het herkennen van visuele veranderingen in een lange reeks afbeeldingen. Opmerkelijk genoeg behaalde het virtuele model dezelfde hoge prestaties als de hersenen, zelfs als de onderzoekers het model blootstelden aan ruis in de beelden en het netwerk die het tijdens de training niet was tegengekomen.

Eén reden voor de superieure robuustheid van het model (of het vermogen om om te gaan met fouten of onverwachte input zoals ruis in de beelden) is dat het verschillende onderscheidende codeereigenschappen van de hersenen reproduceert.

De auteurs hebben een uniek hulpmiddel ontwikkeld voor het bestuderen van visuele verwerking en neurale codering in hersenstijl en beschrijven hun nieuwe model als een “ongekend venster op de dynamiek van dit hersengebied.”

Bron:

Menselijk breinproject

Referentie:

Chen, G., et al. (2022) Een datagestuurd grootschalig model voor de primaire visuele cortex maakt hersenachtige, robuuste en veelzijdige visuele verwerking mogelijk. Wetenschappelijke vooruitgang. doi.org/10.1126/sciadv.abq7592.

.