En storskalig modell av primär visuell cortex kan exakt lösa flera visuella bearbetningsuppgifter

En storskalig modell av primär visuell cortex kan exakt lösa flera visuella bearbetningsuppgifter

HBP-forskare har tränat en storskalig modell av musens primära visuella cortex för att lösa visuella uppgifter på ett extremt robust sätt. Modellen ligger till grund för en ny generation neurala nätverksmodeller. På grund av deras mångsidighet och energieffektiva bearbetning kan dessa modeller bidra till framsteg inom neuromorfisk beräkning.

Att modellera hjärnan kan ha en enorm inverkan på artificiell intelligens (AI): Eftersom hjärnan bearbetar bilder mycket mer energieffektivt än artificiella nätverk, hämtar forskare inspiration från neurovetenskap för att skapa neurala nätverk som fungerar mycket närmare biologiska, vilket sparar energi.

I denna mening kommer hjärninspirerade neurala nätverk sannolikt att ha en inverkan på framtida teknologier genom att fungera som ritningar för visuell bearbetning i mer energieffektiv neuromorf hårdvara. Nu har en studie av forskare vid Human Brain Project (HBP) vid Graz University of Technology (Österrike) visat hur en stor databaserad modell kan reproducera en rad av hjärnans visuella bearbetningsförmåga på ett mångsidigt och korrekt sätt. Resultaten publicerades i tidskriften Science Advances.

Neurovetenskap e-bok

Sammanställning av de bästa intervjuerna, artiklarna och nyheterna från det senaste året. Ladda ner en kopia idag

Med hjälp av PCP-pilotsystemen vid Jülich Supercomputing Center, utvecklade i samarbete mellan HBP och mjukvaruföretaget Nvidia, analyserade teamet en biologiskt detaljerad storskalig modell av den primära musens visuella cortex som kan lösa flera visuella bearbetningsuppgifter. Denna modell ger den största integrationen av anatomiska detaljer och neurofysiologiska data som för närvarande är tillgängliga för visuella cortex-område V1, som är den första kortikala regionen som tar emot och bearbetar visuell information.

Modellen är byggd med en annan arkitektur än de djupa neurala nätverk som används i nuvarande AI, och forskarna fann att den har intressanta fördelar när det gäller inlärningshastighet och visuell processorkraft jämfört med modeller som vanligtvis används för visuell bearbetning i AI.

Modellen kunde lösa alla fem visuella uppgifter som satts av teamet med hög noggrannhet. Dessa uppgifter innebar till exempel att klassificera bilder av handskrivna siffror eller att känna igen visuella förändringar i en lång sekvens av bilder. Anmärkningsvärt nog uppnådde den virtuella modellen samma höga prestanda som hjärnan, även när forskarna exponerade modellen för brus i bilder och nätverk som den inte hade stött på under träningen.

En anledning till modellens överlägsna robusthet – eller dess förmåga att klara av fel eller oväntade input som brus i bilderna – är att den återger flera utmärkande kodningsegenskaper hos hjärnan.

Författarna har utvecklat ett unikt verktyg för att studera hjärnliknande visuell bearbetning och neural kodning och beskriver sin nya modell som ett "oöverträffat fönster till dynamiken i detta hjärnområde."

Källa:

Human Brain Project

Hänvisning:

Chen, G., et al. (2022) En datadriven storskalig modell för den primära visuella cortex möjliggör hjärnliknande robust och mångsidig visuell bearbetning. Vetenskapliga framsteg. doi.org/10.1126/sciadv.abq7592.

.