En storskala modell av primær visuell cortex kan nøyaktig løse flere visuelle prosesseringsoppgaver

En storskala modell av primær visuell cortex kan nøyaktig løse flere visuelle prosesseringsoppgaver

HBP-forskere har trent en storskala modell av musens primære visuelle cortex for å løse visuelle oppgaver på en ekstremt robust måte. Modellen danner grunnlaget for en ny generasjon nevrale nettverksmodeller. På grunn av deres allsidighet og energieffektive prosessering, kan disse modellene bidra til fremskritt innen nevromorfisk databehandling.

Modellering av hjernen kan ha en enorm innvirkning på kunstig intelligens (AI): Siden hjernen behandler bilder mye mer energieffektivt enn kunstige nettverk, henter forskere inspirasjon fra nevrovitenskap for å lage nevrale nettverk som fungerer mye nærmere biologiske, og sparer energi.

I denne forstand vil sannsynligvis hjerneinspirerte nevrale nettverk ha en innvirkning på fremtidige teknologier ved å tjene som tegninger for visuell prosessering i mer krafteffektiv nevromorf maskinvare. Nå viste en studie av forskere ved Human Brain Project (HBP) ved Graz University of Technology (Østerrike) hvordan en stor databasert modell kan reprodusere en rekke av hjernens visuelle prosesseringsevner på en allsidig og nøyaktig måte. Resultatene ble publisert i tidsskriftet Science Advances.

Nevrovitenskap eBok

Sammenstilling av de beste intervjuene, artikler og nyheter fra det siste året. Last ned en kopi i dag

Ved å bruke PCP-pilotsystemene ved Jülich Supercomputing Center, utviklet i samarbeid mellom HBP og programvareselskapet Nvidia, analyserte teamet en biologisk detaljert storskalamodell av den primære musens visuelle cortex som kan løse flere visuelle prosesseringsoppgaver. Denne modellen gir den største integrasjonen av anatomiske detaljer og nevrofysiologiske data som for tiden er tilgjengelige for visuelle cortex-område V1, som er den første kortikale regionen som mottar og behandler visuell informasjon.

Modellen er bygget med en annen arkitektur enn de dype nevrale nettverkene som brukes i dagens AI, og forskerne fant ut at den har interessante fordeler når det gjelder læringshastighet og visuell prosesseringskraft i forhold til modeller som vanligvis brukes til visuell prosessering i AI.

Modellen var i stand til å løse alle fem visuelle oppgavene laget av teamet med høy nøyaktighet. Disse oppgavene innebar for eksempel å klassifisere bilder av håndskrevne tall eller gjenkjenne visuelle endringer i en lang sekvens av bilder. Bemerkelsesverdig nok oppnådde den virtuelle modellen samme høye ytelse som hjernen, selv når forskerne utsatte modellen for støy i bildene og nettverket som den ikke hadde møtt under trening.

En årsak til modellens overlegne robusthet – eller dens evne til å takle feil eller uventede innganger som støy i bildene – er at den reproduserer flere særegne kodeegenskaper til hjernen.

Forfatterne har utviklet et unikt verktøy for å studere visuell prosessering i hjernestil og nevral koding og beskriver deres nye modell som et "enestående vindu inn i dynamikken i dette hjerneområdet."

Kilde:

Human Brain Project

Referanse:

Chen, G., et al. (2022) En datadrevet storskalamodell for den primære visuelle cortex muliggjør hjernelignende robust og allsidig visuell prosessering. Vitenskapelige fremskritt. doi.org/10.1126/sciadv.abq7592.

.