Исследователи проекта Human Brain Project обучили крупномасштабную модель первичной зрительной коры мыши решать визуальные задачи очень надежным способом. Эта модель обеспечивает основу для нового поколения моделей нейронных сетей. Благодаря своей универсальности и энергоэффективной обработке эти модели могут способствовать прогрессу в области нейроморфных вычислений.

Моделирование мозга может оказать огромное влияние на искусственный интеллект (ИИ): поскольку мозг обрабатывает изображения гораздо более энергоэффективным способом, чем искусственные сети, ученые черпают вдохновение из нейробиологии для создания нейронных сетей, которые функционируют аналогично биологическим, чтобы значительно экономить энергию.

В этом смысле нейронные сети, вдохновленные мозгом, вероятно, окажут влияние на технологии будущего, поскольку послужат основой для визуальной обработки в более энергоэффективном нейроморфном оборудовании. Теперь исследование, проведенное исследователями Human Brain Project (HBP) из Технологического университета Граца (Австрия), показало, как модель, основанная на больших данных, может воспроизводить ряд возможностей мозга по обработке визуальных данных универсальным и точным способом. Результаты были опубликованы в журнале Science Advances.

С помощью экспериментальных систем PCP в суперкомпьютерном центре Юлиха, разработанных в сотрудничестве между HBP и компанией-разработчиком программного обеспечения Nvidia, команда проанализировала биологически детализированную крупномасштабную модель первичной зрительной коры мыши, которая может решать множество задач обработки изображений. Эта модель обеспечивает наибольшую интеграцию анатомических деталей и нейрофизиологических данных, доступных в настоящее время для области V1 зрительной коры, которая является первой областью коры, получающей и обрабатывающей визуальную информацию.

Модель построена с архитектурой, отличной от архитектуры глубоких нейронных сетей, используемых в современном ИИ, и исследователи обнаружили, что она имеет интересные преимущества в отношении скорости обучения и производительности визуальной обработки по сравнению с моделями, которые обычно используются для визуальной обработки в ИИ.

Модель смогла с высокой точностью решить все пять визуальных задач, представленных командой. Например, эти задачи включали классификацию изображений написанных от руки чисел или обнаружение визуальных изменений в длинной последовательности изображений. Поразительно, но виртуальная модель достигла такой же высокой производительности, как и мозг, даже когда исследователи подвергли модель воздействию шума на изображениях и в сети, с которым она не сталкивалась во время обучения.

Одна из причин превосходной надежности модели — или ее способности справляться с ошибками или неожиданными входными данными, такими как шум на изображениях, — заключается в том, что она воспроизводит несколько характерных кодирующих свойств мозга.

Разработав уникальный инструмент для изучения визуальной обработки в мозговом стиле и нейронного кодирования, авторы описывают свою новую модель как обеспечивающую "беспрецедентное окно в динамику этой области мозга".