Bearbeiten |. Karottenhaut
Tiere haben eine sehr subtile Kontrolle über ihren Körper, sodass sie eine Vielzahl von Verhaltensweisen ausführen können. Allerdings bleibt unklar, wie das Gehirn diese Kontrolle erreicht. Um unser Verständnis zu vertiefen, benötigen wir Modelle, die Kontrollprinzipien mit der Struktur neuronaler Aktivität bei Tieren verknüpfen können.
Um dies zu erreichen, haben Forscher der Harvard University und Google DeepMind ein „virtuelles betrunkenes Tier“ gebaut und dabei künstliche neuronale Netze verwendet, um ein biomechanisches Simulationsmodell von Ratten in einem physikalischen Simulator zu steuern.
Das Team nutzte Deep Reinforcement Learning, um einem virtuellen Agenten beizubringen, das Verhalten von sich frei bewegenden Mäusen zu imitieren. So konnten Forscher „aufgezeichnete neuronale Aktivität von echten Mäusen“ mit einem Modell des „Verhaltens virtueller Agenten“ vergleichen, das sein Verhalten simulierte. Diese „Netzwerkaktivität virtueller Agententiere“ kann genutzt werden, um die Lern- und Denkprozesse des Gehirns zu erforschen und so das Verständnis dieser Prozesse zu verbessern. Darüber hinaus könnten die Deep-Learning-Modelle des Teams zur Entwicklung intelligenterer Roboter und anderer autonomer Systeme beitragen.
Das Modell ist in der Lage, die Bewegungen echter Mäuse genau nachzuahmen, eine große Errungenschaft, die voraussichtlich das Verständnis der Wissenschaftler darüber verbessern wird, wie das Gehirn komplexe koordinierte Bewegungen steuert.
Für die fortschrittlichsten Roboter ist es schwierig, dieses Ergebnis zu reproduzieren, und das Forschungsteam glaubt, dass ihre Entdeckung die Flexibilität zukünftiger Roboter erheblich verbessern kann.
Die Studie trägt den Titel „Ein virtuelles Nagetier sagt die Struktur neuronaler Aktivität über Verhaltensweisen hinweg voraus“ und wurde am 11. Juni 2024 in „Nature“ veröffentlicht.
Menschen und Tiere sind in der Lage, ihren Körper mit einer Leichtigkeit und Effizienz zu kontrollieren, die von technischen Systemen nur schwer nachgeahmt werden kann. Dies ist auf die technischen Aspekte der Computersimulation und der Sportneurowissenschaften zurückzuführen. Der Grund dafür ist, dass es im Vergleich zu Modellen der kausalen Produktion komplexer, natürlicher Bewegungen für die neuronale Aktivität in motorischen Systemen selten klare Erklärungen gibt.
Diese biogenetischen Modelle unterscheiden sich darin, dass Neurowissenschaftler versuchen, auf die Funktion des motorischen Systems zu schließen, indem sie die neuronale Aktivität in relevanten Gehirnregionen mit messbaren Bewegungsmerkmalen wie der Kinematik und Dynamik verschiedener Körperteile verknüpfen.
Allerdings gibt es bei diesem Ansatz ein Problem, da die Gesetze der Physik von Natur aus die Eigenschaften von Bewegung in Beziehung setzen und daher Verhalten nur beschreiben, nicht aber erzeugen können. Um dieses Problem zu lösen, schlug das Forschungsteam einen neuen Ansatz vor: die Verwendung virtueller Tiermodelle in Verbindung mit Kontrollmodellen, um Rechenprinzipien abzuleiten.
Abbildung: Verwendung von MIMIC zum Vergleich biologischer und künstlicher Kontrollen innerhalb des Verhaltensspektrums. (Quelle: Papier) Das Forschungsteam entwickelte ein „virtuelles Nagetier“, bei dem ein künstliches neuronales Netzwerk (ANN) ein biomechanisch realistisches Rattenmodell antreibt, das in einem physikalischen Simulator arbeitet.
Beim Aufbau dieses Systems muss ein Gleichgewicht zwischen Handhabbarkeit, Ausdruckskraft und biologischem Realismus gefunden werden. Die Forscher wählten das einfachste Modell, das das Verhalten der Mäuse reproduzieren und die neuronale Aktivität vorhersagen konnte.
Das Modell nutzt Deep Reinforcement Learning, um ANN für die Implementierung des inversen Dynamikmodells zu trainieren. Die Eingabe ist die zukünftige Bewegungsreferenzbahn und der aktuelle Körperzustand des realen Tieres, und die Ausgabe sind die Aktionen, die erforderlich sind, um den gewünschten Zustand zu erreichen. Forscher können die neuronale Aktivität realer Ratten anhand verwandter Daten mit der Aktivität virtueller Nagetiernetzwerke vergleichen.
Dieser Ansatz hat zwei Hauptvorteile: Erstens ist das Modell kausal und kann das interessierende Verhalten physisch reproduzieren, nicht nur beschreiben. Die zweite besteht darin, sich auf die Identifizierung der von Gehirnbereichen implementierten Funktionen zu konzentrieren und nicht nur auf die Beschreibung des Informationsflusses.
„Wir haben viel aus der Herausforderung gelernt, ‚verkörperte Agenten‘ zu entwickeln: KI-Systeme müssen nicht nur intelligent denken, sondern sie müssen dieses Denken auch in praktische Handlungen in komplexen Umgebungen umsetzen.“ Matthew Botvinick von Google Deepmind sagte: „Anwenden der Derselbe Ansatz scheint im neurowissenschaftlichen Kontext Einblicke in das Verhalten und die Gehirnfunktion zu liefern. Die Ergebnisse zeigten, dass die neuronale Aktivität im sensomotorischen Striatum und im motorischen Kortex genauer durch die Netzwerkaktivität bei virtuellen Nagetieren vorhergesagt werden konnte Kontrolle.
Illustration: virtuelle Maus. (Quelle: Deepmind-Website)
Darüber hinaus sagen potenzielle Veränderungen im Netzwerk die Struktur neuronaler Veränderungen über Verhaltensweisen hinweg vorher und verleihen dem System Robustheit in einer Weise, die mit dem Prinzip der minimalen Intervention einer optimalen Feedback-Kontrolle vereinbar ist.
Diese Ergebnisse zeigen, dass biomechanisch realistische virtuelle Tiere durch physikalische Simulationen dazu beitragen können, die Struktur neuronaler Aktivität über Verhaltensweisen hinweg zu erklären und diese mit theoretischen Prinzipien der motorischen Kontrolle zu verknüpfen.
Und dieser Ansatz zeigt das Potenzial künstlicher Controller, biomechanische Modelle zu manipulieren, um Rechenprinzipien neuronaler Schaltkreise aufzudecken. Virtuelle Tiere können als Plattform für die virtuelle Neurowissenschaft dienen, um die Auswirkungen von Variablen zu simulieren, die in Experimenten auf neuronale Aktivität und Verhalten schwer abzuleiten sind.
Dieser Forschungsbereich ist von entscheidender Bedeutung für die Entwicklung fortschrittlicher Prothetik und Gehirn-Computer-Schnittstellen. Durch die Rekonstruktion neuronaler Schaltkreise könnten die Erkenntnisse aus dieser Studie zu neuen Wegen zur Behandlung von Bewegungsstörungen führen. Darüber hinaus stellte die Studie fest, dass virtuelle Ratten ein transparentes Modell für die Untersuchung neuronaler Schaltkreise und der Auswirkungen von Krankheiten auf diese Schaltkreise darstellen.
Als nächstes planen die Forscher, die virtuellen Mäuse autonom Aufgaben lösen zu lassen, mit denen echte Mäuse konfrontiert werden, um ihr Verständnis der Algorithmen zum Erwerb von Fähigkeiten im Gehirn weiter zu vertiefen.
In Zukunft könnten Wissenschaftler vom Gehirn inspirierte Netzwerkarchitekturen entwickeln, um die Leistung und Interpretierbarkeit zu verbessern, und die Rolle spezifischer Schaltkreisstrukturen und neuronaler Mechanismen bei der Verhaltensberechnung erforschen.
Link zum Papier: https://www.nature.com/articles/s41586-024-07633-4
Verwandte Berichte: https://decrypt.co/235086/virtual-rat-ai-brain- harvard-google-deepmind-robotics
Das obige ist der detaillierte Inhalt vonLoggen Sie sich in die Natur ein, wie steuert das Gehirn Bewegungen? DeepMind entwirft virtuelle Tiere mit „KI-Gehirnen'. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
