|
Инструментарий для обучения модели мозга
|
|
|
|
Исследователи разработали новый мощный программный инструментарий, который позволяет обучать реалистичные модели мозга непосредственно на основе данных. Этот фреймворк с открытым исходным кодом, называемый JAXLEY, сочетает точность биофизических моделей со скоростью и гибкостью современных методов машинного обучения. Исследование, опубликованное на сервере препринтов bioRxiv, может стать важным шагом на пути к более быстрому и точному моделированию функций мозга.
|
|
|
|
Понимание того, как нейроны порождают мышление, восприятие или память, остается одной из самых сложных задач в нейробиологии. Для изучения этих вопросов исследователи используют компьютерные модели, имитирующие активность реальных клеток мозга. Такие биофизические модели представляют собой цифровую реконструкцию нейронных сетей, которая показывает, как сообщения передаются в виде электрических сигналов через отдельные нейроны или через целые сети.
|
|
|
|
Но заставить эти модели вести себя как настоящие нейроны - сложная техническая задача: каждая модель содержит тысячи уравнений, и настройка всех этих параметров для точного соответствия экспериментальным данным требует больших вычислительных затрат, часто требующих недель ручной настройки или неэффективного моделирования методом проб и ошибок.
|
|
|
|
Чтобы преодолеть эти ограничения, исследователи из Neuro-Electronics Research Flanders (NERF; исследовательская инициатива, поддержанная imec, KU Leuven и VIB) и VIB.Компания AI совместно с коллегами из Тюбингенского университета разработала JAXLEY - новый инструментарий с открытым исходным кодом, который объединяет современные методы машинного обучения с детализированными моделями нейронов, предлагая более быстрый и реалистичный способ, с помощью которого нейробиологи моделируют электрическую активность в сетях.
|
|
|
|
|
|
|
Объединение нейронауки и машинного обучения
|
|
|
|
JAXLEY черпает вдохновение в машинном обучении. Автоматически вычисляя, как небольшие изменения в одном параметре влияют на результат, он позволяет детализированным моделям мозга корректироваться на основе данных, а не методом проб и ошибок. А поскольку JAXLEY работает на тех же графических процессорах, что и искусственный интеллект, он может параллельно анализировать большие наборы данных, значительно повышая скорость и эффективность реалистичного моделирования мозга.
|
|
|
|
Сочетая точность биофизических моделей с масштабируемостью методов искусственного интеллекта, JAXLEY преодолевает вычислительные барьеры, которые до сих пор ограничивали масштабы моделирования мозга. Инструментарий полностью открыт с открытым исходным кодом, что делает его доступным для всего исследовательского сообщества. Эта работа открывает новые направления для изучения того, как мозг учится и запоминает, заменяя ручную настройку адаптивным обучением, основанным на данных, вдохновляемым самим мозгом.
|
|
|
|
Чтобы продемонстрировать его универсальность, исследователи протестировали JAXLEY на широком спектре задач. Он точно воссоздал активность реальных нейронов и обучил большие биофизические сети выполнять задачи на запоминание и визуализацию с числом параметров до 100 000. Эти результаты показывают, что даже сложные реалистичные нейронные сети теперь можно обучать непосредственно на основе экспериментальных данных или вычислительных задач, чего раньше было трудно достичь.
|
|
|
|
"JAXLEY в корне меняет наш подход к моделированию мозга", - говорит Педро Гонсалвес, руководитель группы в NERF и VIB.AI. "Это позволяет нам создавать реалистичные модели, которые можно эффективно оптимизировать и масштабировать, открывая новые способы понимания того, как нейронные вычисления возникают из глубинных процессов мозга".
|
|
|
|
Источник
|
