Заставить компьютеры "думать", как люди, - это Святой Грааль искусственного интеллекта,но человеческий мозг оказывается трудным делом. Человеческий мозг-это мастер применения ранее усвоенных знаний к новым ситуациям и постоянного совершенствования того, что было усвоено. Эту способность к адаптации было трудно воспроизвести в машинах.

Теперь исследователи Солка использовали вычислительную модель мозговой активности, чтобы смоделировать этот процесс более точно, чем когда-либо прежде. Новая модель имитирует, как префронтальная кора головного мозга использует явление, известное как "стробирование", для управления потоком информации между различными областями нейронов. Он не только проливает свет на человеческий мозг, но и может помочь в разработке новых программ искусственного интеллекта.

"Если мы сможем масштабировать эту модель для использования в более сложных системах искусственного интеллекта, это может позволить этим системам быстрее учиться или находить новые решения проблем", - говорит Терренс Сейновски, руководитель Лаборатории вычислительной нейробиологии Солка и старший автор новой работы, опубликованной 24 ноября 2020 года в журнале Proceedings of the National Academy of Sciences.

Мозг человека и других млекопитающих известен своей способностью быстро обрабатывать стимулы-например, зрительные образы и звуки—и интегрировать любую новую информацию в то, что мозг уже знает. Эта гибкость в применении знаний к новым ситуациям и непрерывном обучении на протяжении всей жизни уже давно является целью исследователей, разрабатывающих программы машинного обучения или искусственный мозг. Исторически сложилось так, что когда машину учат выполнять одну задачу, ей трудно научиться адаптировать это знание к аналогичной задаче; вместо этого каждый связанный с ней процесс должен быть обучен индивидуально.

В настоящем исследовании группа Сейновского разработала новую структуру вычислительного моделирования, чтобы воспроизвести, как нейроны в префронтальной коре-области мозга, ответственной за принятие решений и рабочую память-ведут себя во время когнитивного теста, известного как Висконсинский тест сортировки карт. В этом задании участники должны сортировать карты по цвету, символу или номеру—и постоянно адаптировать свои ответы по мере изменения правила сортировки карт. Этот тест используется клинически для диагностики деменции и психических заболеваний, но также используется исследователями искусственного интеллекта для оценки того, насколько хорошо их вычислительные модели мозга могут воспроизводить человеческое поведение.

Предыдущие модели префронтальной коры плохо справлялись с этой задачей. Структура команды Сейновского, однако, интегрировала, как нейроны управляют потоком информации по всей префронтальной коре через стробирование, делегируя различные фрагменты информации различным субрегионам сети. Считалось, что стробирование играет важную роль в небольших масштабах-в управлении потоком информации внутри небольших кластеров подобных ячеек, - но эта идея никогда не была интегрирована в модели через всю сеть.

Новая сеть не только выполняла задачу сортировки карт Висконсина так же надежно, как и люди, но и имитировала ошибки, замеченные у некоторых пациентов. Когда срезы модели были удалены, система показала те же ошибки, которые наблюдались у пациентов с повреждением префронтальной коры, например, вызванным травмой или деменцией.

"Я думаю, что одна из самых захватывающих частей этого заключается в том, что, используя такого рода структуру моделирования, мы получаем лучшее представление о том, как организован мозг", - говорит Бен Цуда, аспирант Salk и первый автор новой статьи. "Это имеет значение как для машинного обучения, так и для лучшего понимания некоторых из этих заболеваний, которые влияют на префронтальную кору."

Если исследователи лучше поймут, как области префронтальной коры работают вместе, добавляет он, это поможет руководить вмешательствами для лечения черепно-мозговых травм. Например, он может предложить области, на которые следует воздействовать с помощью глубокой стимуляции мозга.

"Когда вы думаете о способах, которыми мозг все еще превосходит современные сети глубокого обучения, одним из таких способов является универсальность и обобщаемость задач с различными правилами",-говорит соавтор исследования Кей Тай, профессор Лаборатории системной нейробиологии Солка и кафедры Уайли Вейла. "В этой новой работе мы покажем, как стробирование информации может привести в действие нашу новую и улучшенную модель префронтальной коры."

Затем команда хочет расширить сеть для выполнения более сложных задач, чем тест сортировки карт, и определить, дает ли сетевая стробирование искусственной префронтальной коре лучшую рабочую память во всех ситуациях. Если новый подход будет работать в широких сценариях обучения, они подозревают, что это приведет к улучшению систем искусственного интеллекта, которые могут быть более адаптированы к новым ситуациям.

ИСТОЧНИК