Neuronen verraden plaats en route

Amerikaanse onderzoekers hebben een deep learning model gecombineerd met experimentele gegevens om de neurale activiteit van muizen te 'decoderen'.

Met behulp van de methode kunnen ze nauwkeurig bepalen waar een muis zich in een open omgeving bevindt en in welke richting het dier kijkt, gewoon door naar de neurale schietpatronen te kijken. Het kunnen decoderen van neurale activiteit zou inzicht kunnen verschaffen in de functie en het gedrag van individuele neuronen of zelfs hele hersengebieden. De bevindingen zouden ook het ontwerp van intelligente machines kunnen beïnvloeden die momenteel moeite hebben om autonoom te navigeren.

Coderen en decoderen

Een onderzoeksteam gebruikte een deep learning model om twee soorten neuronen te onderzoeken die betrokken zijn bij navigatie. 'Hoofdrichting'-neuronen coderen informatie over de richting waarin het dier kijkt, terwijl 'rastercellen' tweedimensionale informatie coderen over de locatie van het dier in zijn ruimtelijke omgeving. De onderzoekers zijn verbonden aan de University of Tennessee Knoxville en het US Army Research Laboratory,

De huidige intelligentiesystemen zijn uitstekend gebleken in patroonherkenning. Maar voor navigatie presteren diezelfde systemen niet zo goed zonder GPS-coördinaten of iets anders om het proces te begeleiden. Volgens de onderzoekers is het integreren van biologische informatie met bestaande machie learning methoden de volgende stap voorwaarts voor kunstmatige intelligentie systemen.

Experimenten

In tegenstelling tot eerdere studies die probeerden het gedrag van gridcellen te begrijpen, baseerde het team zijn onderzoek op experimentele in plaats van op gesimuleerde gegevens. Data die werden verzameld als onderdeel van een eerder onderzoek, bestonden uit neurale vuurpatronen. Deze werden verzameld via interne sondes, gecombineerd met 'waarheidsgetrouwe' videobeelden over de werkelijke locatie, hoofdpositie en bewegingen van de muis terwijl ze een open ruimte verkenden. omgeving. De analyse omvatte het integreren van activiteitspatronen over groepen hoofdrichting- en rastercellen.

Voor het begrijpen en representeren van deze neurale structuren zijn wiskundige modellen nodig die connectiviteit van hogere orde beschrijven. Dat betekent dat onderzoekers niet willen begrijpen hoe een neuron een ander neuron activeert, maar hoe groepen en teams van neuronen zich gedragen. Met de nieuwe methode konden de onderzoekers de locatie en richting van de muis nauwkeuriger voorspellen dan eerder beschreven methoden. Voor het vervolg willen ze informatie opnemen van andere soorten neuronen die betrokken zijn bij navigatie en complexere patronen analyseren.

Naar de praktijk

Uiteindelijk hopen de onderzoekers dat hun methode zal helpen bij het ontwerpen van intelligente machines die in onbekende omgevingen kunnen navigeren zonder gebruik te maken van GPS- of satellietinformatie. Het einddoel is om de informatie te benutten om een machine learning architectuur te ontwikkelen die met succes autonoom en zonder GPS- of satellietbegeleiding door onbekend terrein zou kunnen navigeren.

De wetenschappelijke publicatie vindt u hier.

Foto: PxHere