DeepMind AI спонтанно разработал цифровые навигационные "нейроны", что может революционизировать навигацию

Когда исследователи Google DeepMind обучили нейронную сеть для прохождения виртуального лабиринта, они спонтанно разработали цифровые эквиваленты специализированных нейронов, называемых Грид-клетки, которые используют млекопитающие для навигации. Мало того, что полученная система искусственного интеллекта обладает сверхчеловеческими возможностями навигации, исследование могло бы дать представление о том, как работают наши мозги.
 
Грид-клетки были предметом Нобелевской премии 2014 года по физиологии и медицине, наряду с другими навигационными нейронами. Эти клетки расположены в решетке шестиугольников, и мозг эффективно накладывает этот узор на окружающую среду. Всякий раз, когда животное пересекает точку в пространстве, представленную одним из углов этих шестиугольников, срабатывает нейрон, позволяя животному отслеживать его движение.
 
У мозга млекопитающих на самом деле имеется несколько массивов этих клеток. Эти массивы создают перекрывающиеся сетки разных размеров и ориентации, которые вместе действуют как встроенный GPS. Система работает даже в темноте и независимо от скорости или направления животного.
 
Однако, как именно работают эти клетки и весь спектр их функций до сих пор остается загадкой. Одна из недавно предложенных гипотез предполагает, что они могут быть использованы для навигации по векторам - выработка расстояния и направления к цели «как организован полет ворона».
 
Это полезная возможность, поскольку она позволяет животным или искусственным агентам быстро работать и выбирать лучший маршрут для конкретного пункта назначения и даже находить кратчайший путь.
Итак, исследователи DeepMind решили проверить, могут ли они протестировать эту идею в процессорах, используя нейронные сети, поскольку они примерно имитируют архитектуру мозга.
 
Для начала, они использовали моделирование того, как крысы перемещаются по квадратной и круговой среде, чтобы обучить нейронную сеть интеграции пути—техническое название для использования dead-reckoning (мертвых расчётов), чтобы выяснить, где вы находитесь, отслеживая, в каком направлении и скорости вы переехали из известной точки.
 
Они обнаружили, что после обучения в одном из слоев нейронной сети спонтанно возникали структуры активности, которые очень похожи на сетчатые клетки. Исследователи не программировали модель для проявления такого поведения.
 
Чтобы проверить, могут ли эти Грид-клетки играть роль в векторной навигации, они увеличили сеть, чтобы ее можно было обучить с помощью обучения подкреплением. Они настроили ее на работу над сложными виртуальными лабиринтами и улучшили производительность, давая награды за хорошую навигацию.
 
 
По данным, опубликованным в журнале Nature на этой неделе, агент быстро узнал, как перемещаться по лабиринтам, используя ярлыки, когда они становятся доступными и превзошел человека-эксперта.
 
Чтобы проверить, отвечают ли Грид-клетки за эту производительность, исследователи провели еще один эксперимент, в котором они предотвратили формирование искусственных Грид-клеток, что значительно уменьшило способность системы эффективно ориентироваться. Команда DeepMind говорит, что это свидетельствует о том, что эти клетки участвуют в навигации по векторам, как это и предполагалось.
«Поразительно, что компьютерная модель, исходящая из совершенно других предпосылок, оказалась идентична образцам сетки, которые мы знаем из биологии», Эдвард Мозер, невролог из Института системной неврологии им. Кавли в Тронхейме, Норвегия, и один из Нобелевских лауреатов.
Но вопрос, сколько на самом деле можно узнать о человеческом мозге из этого эксперимента, является дискуссионным.
 
Стефан Лейтгеб (Stefan Leutgeb), нейробиолог из Калифорнийского университета в Сан-Диего, сказал, что исследование дает хороший повод для того, чтобы клетки сетки были вовлечены в векторную навигацию, но в конечном итоге она ограничена симуляцией на компьютере. «Это способ, которым он может работать, но это не доказывает, что так оно и работает на животных», - говорит он.
 
Важно отметить, что исследование действительно не объясняет, как Грид-клетки помогают с этими видами навигационных задач. Частично это объясняется сложностью интерпретации нейронных сетей.
 
”То, что сеть сходилась на таком решении, является убедительным доказательством того, что есть что-то особенное в шаблонах активности клеток, которые поддерживают интеграцию пути. Однако черный ящик систем глубокого обучения говорит о том, что нам может быть трудно точно определить, что это такое на самом деле”
Однако исследователи DeepMind более оптимистичны. Они говорят, что их результаты не только подтверждают теорию о том, что ячейки сетки задействованы в векторной навигации, но также более широко демонстрируют потенциал использования ИИ для проверки теорий о том, как работает мозг. Эти знания, в свою очередь, в конечном итоге могут быть снова использованы для разработки более мощных систем ИИ.
В целом, DeepMind глубоко заинтересован в том, как области нейробиологии и ИИ могут соединяться и информировать друг друг.
 
Исследования на Грид-клетках по-прежнему представляют собой очень фундаментальную науку, но способность имитировать мощные навигационные возможности животных может быть чрезвычайно полезна для всего: от роботов, беспилотных летательных аппаратов до беспилотных автомобилей.
 
наукатехнологииии
25%
0
491
297.149 GOLOS
0
В избранное
lisak
Обо всём, что интересно
491
0

Зарегистрируйтесь, чтобы проголосовать за пост или написать комментарий

Авторы получают вознаграждение, когда пользователи голосуют за их посты. Голосующие читатели также получают вознаграждение за свои голоса.

Зарегистрироваться
Комментарии (4)
Сортировать по:
Сначала старые