Noem het een verbluffende ontwikkeling:een in het Verenigd Koninkrijk gevestigd team van onderzoekers heeft een programma voor kunstmatige intelligentie ontwikkeld dat kan leren om snelkoppelingen door een labyrint te nemen om zijn doel te bereiken. In het proces, het programma ontwikkelde structuren die lijken op die in het menselijk brein.

De opkomst van deze computationele "rastercellen, "beschreven in het journaal Natuur , zou wetenschappers kunnen helpen bij het ontwerpen van betere navigatiesoftware voor toekomstige robots en zelfs een nieuw venster bieden om de mysteries van het zoogdierbrein te onderzoeken.

In recente jaren, AI-onderzoekers hebben deep learning-netwerken ontwikkeld en verfijnd:gelaagde programma's die nieuwe oplossingen kunnen bedenken om hun toegewezen doel te bereiken. Bijvoorbeeld, een diepgaand lerend netwerk kan worden verteld welk gezicht te identificeren in een reeks verschillende foto's, en door middel van verschillende trainingsrondes, kan zijn algoritmen afstemmen totdat het vrijwel elke keer het juiste gezicht ziet.

Deze netwerken zijn geïnspireerd door de hersenen, maar ze werken niet helemaal zoals zij, zei Francesco Savelli, een neurowetenschapper aan de Johns Hopkins University die niet betrokken was bij de paper. Tot dusver, AI-systemen komen niet in de buurt van het emuleren van de architectuur van de hersenen, de diversiteit van echte neuronen, de complexiteit van individuele neuronen of zelfs de regels waarmee ze leren.

"Het grootste deel van het leren wordt verondersteld plaats te vinden met de versterking en verzwakking van deze synapsen, "Savelli zei in een interview, verwijst naar de verbindingen tussen neuronen. "En dat geldt ook voor deze AI-systemen, maar precies hoe je het doet, en de regels die dat soort leren beheersen, kan heel anders zijn in de hersenen en in deze systemen."

Achteloos, AI is echt nuttig geweest voor een aantal functies, van gezichtsherkenning tot het ontcijferen van handschriften en het vertalen van talen, zei Savelli. Maar activiteiten op een hoger niveau, zoals navigeren in een complexe omgeving, zijn veel uitdagender gebleken.

Een aspect van navigatie dat onze hersenen lijken uit te voeren zonder bewuste inspanning, is padintegratie. Zoogdieren gebruiken dit proces om hun positie te herberekenen na elke stap die ze nemen door rekening te houden met de afstand die ze hebben afgelegd en de richting waarin ze kijken. Men denkt dat het de sleutel is tot het vermogen van de hersenen om een ​​kaart van de omgeving te maken.

Onder de neuronen die bij deze "cognitieve kaarten" horen:plaats cellen, die oplichten wanneer hun eigenaar zich op een bepaalde plek in de omgeving bevindt; hoofd-richting cellen, die hun eigenaar vertellen in welke richting ze kijken; en rastercellen, die lijken te reageren op een denkbeeldig zeshoekig raster dat in kaart is gebracht over het omringende terrein. Elke keer dat een persoon op een "knooppunt" in dit raster stapt, het neuron vuurt.

"Van rastercellen wordt gedacht dat ze de cognitieve kaart voorzien van geometrische eigenschappen die helpen bij het plannen en volgen van trajecten, " Savelli en collega Johns Hopkins-neurowetenschapper James Knierim schreven in een commentaar op de krant. De ontdekking van rastercellen leverde drie wetenschappers de Nobelprijs voor fysiologie of geneeskunde 2014 op.

Mensen en andere dieren lijken weinig moeite te hebben om door de ruimte te bewegen, omdat al deze zeer gespecialiseerde neuronen samenwerken om ons te vertellen waar we zijn en waar we heen gaan.

Wetenschappers bij DeepMind, dat eigendom is van Google en University College London, vroegen zich af of ze een programma konden ontwikkelen dat ook padintegratie zou kunnen uitvoeren. Dus trainden ze het netwerk met simulaties van paden die worden gebruikt door knaagdieren die op zoek zijn naar voedsel. Ze gaven het ook gegevens voor de beweging en snelheid van een knaagdier, evenals feedback van gesimuleerde plaatscellen en hoofdrichtingcellen.

Tijdens deze opleiding wordt de onderzoekers merkten iets vreemds op:het gesimuleerde knaagdier leek activiteitspatronen te ontwikkelen die opmerkelijk veel op rastercellen leken, hoewel rastercellen geen deel uitmaakten van hun trainingssysteem.

"De opkomst van grid-achtige units is een indrukwekkend voorbeeld van deep learning dat doet waar het goed in is:het bedenken van een origineel, vaak onvoorspelbare interne representatie om een ​​taak op te lossen, ' schreven Savelli en Knierim.

Rastercellen lijken zo nuttig te zijn voor padintegratie dat dit nep-knaagdier een oplossing bedacht die griezelig veel lijkt op een echt knaagdierbrein. De onderzoekers vroegen zich toen af:kunnen rastercellen ook nuttig zijn in een ander cruciaal aspect van zoogdiernavigatie?

dat aspect, vectorgebaseerde navigatie genoemd, is in feite de mogelijkheid om het rechte schot te berekenen, "hemelsbreed" afstand tot een doel, zelfs als je oorspronkelijk een langere, minder directe route. Dat is een handige vaardigheid om snelkoppelingen naar je bestemming te vinden, merkte Savelli op.

Om dit te testen, onderzoekers daagden het faux-knaagdier met rastercellen uit om een ​​doolhof op te lossen, maar blokkeerde de meeste doorgangen, zodat het programma de lange weg naar zijn doel moest nemen. Ze hebben ook het programma aangepast, zodat het werd beloond voor acties die het dichter bij het doel brachten. Ze trainden het netwerk op een bepaald doolhof en openden vervolgens snelkoppelingen om te zien wat er gebeurde.

Zowaar, het gesimuleerde knaagdier met rastercellen vond en gebruikte snel de snelkoppelingen, ook al waren die paden nieuw en onbekend. En het presteerde veel beter dan een nep-knaagdier waarvan het startpunt en het doelpunt alleen werden gevolgd door plaatscellen en hoofdrichtingcellen. Het versloeg zelfs een "menselijke expert, " zeiden de auteurs van de studie.

De bevindingen kunnen uiteindelijk nuttig zijn voor robots die zich een weg banen door onbekend terrein, zei Savelli. En vanuit een neurowetenschappelijk perspectief, ze zouden onderzoekers kunnen helpen beter te begrijpen hoe deze neuronen hun werk doen in de hersenen van zoogdieren.

Natuurlijk, dit programma was sterk vereenvoudigd in vergelijking met zijn biologische tegenhanger, merkte Savelli op. In het gesimuleerde knaagdier, de "plaatscellen" veranderden niet - hoewel plaatscellen en rastercellen elkaar op complexe manieren beïnvloeden in echte hersenen.

"Door het netwerk zo te ontwikkelen dat de plaats-cellaag kan worden gemoduleerd door rasterachtige ingangen, we zouden kunnen beginnen met het uitpakken van deze relatie, ' schreven Savelli en Knierim.

Door dit AI-programma verder te ontwikkelen, kunnen wetenschappers alle complexe relaties gaan begrijpen die een rol spelen in levende neurale systemen. voegden ze eraan toe.

Maar of ze de technologie nu willen aanscherpen of gebruiken om biologie te begrijpen, wetenschappers zullen hun eigen deep-learningprogramma's beter onder de knie moeten krijgen, wiens oplossingen voor problemen vaak moeilijk te ontcijferen zijn, zelfs als ze consequent resultaten opleveren, zeiden wetenschappers.

"Het begrijpelijk maken van deep-learningsystemen voor menselijk redeneren is een spannende uitdaging voor de toekomst, ' schreven Savelli en Knierim.

© 2018 Los Angeles Times
Gedistribueerd door Tribune Content Agency, LLC.