Нейрондук маалымат илим: кантип жана эмне үчүн

Нейрондор боюнча маалымат илимин жүргүзүүнүн одоно көрсөтмөсү

Мээ маалымат илимин жүргүзөт. Кредит: Noun Долбоорунан Мэтт Вассердин мээси

Жай, акырындык менен, нейроциологдун жаңы түрү калыптанууда. Көп сандаган теоретиктер арасында нейрологдордун топтору пайда болду, алар илимди нейрон иш-аракеттери, жүздөгөн нейрондордун чачырандылыгы жөнүндө маалымат менен камсыз кылышат. Маалыматтарды талдоо ыкмаларын жаратуу мүмкүн эмес, бирок муну бардыгы жасашат. Бул маалыматтарды чогултуу эмес, бул үчүн дагы бир коркунучтуу, чеберчиликти талап кылат. Бирок нейроциологдор мээ жөнүндөгү илимий суроолорго жооп берүү үчүн ошол маалыматтарга заманбап эсептөө техникаларын колдонушат. Нейрондык маалыматтар илими пайда болду.

Алардын бири менмин, бул нейрондык маалыматтарды илимпоздордун кланы. Кокустан. Мен айта турган нерсе, бардык илимий чөйрөлөр ушундайча пайда болгон: кокустан. Изилдөөчүлөр мурундарын тиштеп, жаңы нерселерди жасай башташат жана күтүлбөгөн жерден ашканада кечелерде алардын чакан тобу пайда болот (суусундуктар ушул жерде, муздаткычта - илимпоздор акылдуу). Нейрондук маалымат илиминде бир аз манифест: ал эмне үчүн пайда болгон жана аны кантип жасоо керек.

Эмнеге, илимдин бардык тармактары маалымат илимин жайып жибергендей эле: маалыматтардын көлөмү колунан келбей жатат. Көп нейрондорду жазуу илиминде бул топурактын илимий негизи бар. Мээлер нейрондор арасында кабар жеткирүү жолу менен иштешет. Бул билдирүүлөрдүн көпчүлүгү электрдин кичинекей импульстарын түзүшөт: шыбактар, биз аларды атайбыз. Демек, биз мээлердин кантип иштээрин (жана алар иштебей жатса) түшүнүүнү кааласак, бардык нейрондор арасында өткөрүлүп жаткан кабарларды чогултуп алышыбыз керек. Бул нейрондордон мүмкүн болушунча көп шпиктерди жазууну билдирет.

Наристе зебрафиш мээсинде болжол менен 130,000 нейрон бар жана алардын ортосунда кеминде 1 миллион байланыш бар; бамблинин мээсинде бир миллионго жакын нейрон бар. Мунун кантип тез эле колунан түшүп калаарын көрө аласыз. Азыр биз бир жерде ондон бир нече жүзгө чейинки нейрондорду бир эле учурда стандарттык комплект менен жазабыз. Чектөөлөрдүн чегинде адамдар бир нече миң, ал тургай, бир нече миңдеген адамдар жазышат (бул жазуулар нейрондордун активдүүлүгүн нейрондорго караганда жайыраак ылдамдыкта жазышат).

Биз бул акылсыздык системаларын нейрология деп атайбыз: нейрондор, нейрондорду изилдөө үчүн; бир нече нейрондон жазууга батынган системалар. Жана маалыматтар акылга сыярлык татаал. Бизде бар болгону бир нече ондогон миңдеген убакыт аралыгы, бир нейрондон чыккан окуялардын агымы (чыныгы жуптар же алардын кээ бир кыйыр өлчөмдөрү). Аныктамасы боюнча, алар туруктуу эмес, убакыттын өтүшү менен алардын статистикасы өзгөрүп турат. Алардын иш-аракеттеринин деңгээли монахтарга окшогон тынч ойлонуудан "шамал туннелиндеги барабан топтомуна" чейин көптөгөн чоң буйруктарга жайылды. Алардын иш-аракеттеринин түрлөрү саатка окшогон ырааттуулуктан, кекечтенип, бытырап кетүүдөн, маниянын айыгышы менен чарчап-чаалыгуунун ортосунда алмашып турат.

Эми сиз нейрондорду каттаган жаныбардын жүрүм-турумуна үйлөнүңүз. Бул жүрүм-турум жүздөгөн сыноолорду билдирет; же колтук кыймылдары; же айлана-чөйрө аркылуу өткөн маршруттар. Же сезүү органынын кыймылы, же булчуңдун позасы. Бир нече жаныбар үчүн кайталаңыз. Мүмкүн бир нече мээ аймактары. Кээде бүт мээлер.

Бизде эч кандай негиз жок. Туура жооп жок; жүрүм-турумунан тышкары, маалыматтар үчүн окутуучу энбелги жок. Мээлердин жүрүм-турумду кандайча кодулаарын билбейбиз. Ошентип, жүрүм-турум этикеткалары менен нерселерди жасай алабыз, бирок алардын баары эле жооп бербейт. Алар "жоопко" байланыштуу.

Нейрология илиминин тутуму маалыматтарды анализдөө үчүн ноу-хауга чейин нейрология илимин алган билимине үйлөнө ала тургандар үчүн бай аянтча болуп саналат. Нейрондук маалымат илиминде туулуп жатат.

Ал кандайча аткарылды? Бул жерде орой жетектеме. Нейрондук маалымат илимпозунун билдирүүсү боюнча, нейрология илиминин маалыматтары боюнча илимий суроолорду берүү; Бул нейрондор кандайча биргелешип иштешет?

Бул суроого жооп берүүнүн үч жолу бар. Бул үч нерсени биз машыктырууда көйгөйлөрдүн класстарынын жана нейробиология тутумундагы эсептөө кыйынчылыктарынын ортосундагы ылайыктуулукту карап көрө алабыз. Эмесе, эмне менен иштешибиз керектигин карап көрөлү.

Убакыттын өтүшү менен чогулткан n нейрондорунан бизде бир нече маалыматтар бар. Биз буларды X деп аталган матрицага топтойбуз - нейрондор катарында жана канча убакыт катарына чейин жаздык (биз убакыттын чекити канча убакытка чейин созулат): биз мүмкүн аны кыска кылып, ар бир жазууну бир сабы үчүн 1 жана башкача кылып жазсаңыз болот. Же биз аны узун кылып, ошол убакыт аралыгында ар бир жазуунун жиптеринин санын жазабыз). Ушул убакыт аралыгында дүйнөдө болуп жаткан окуялар, анын ичинде дене эмне кылып жатканы да байкалат. Ошентип, биз S деп аталган матрицага бөлүп коёлу - дүйнө жүзүндө биз ойлоп тапкан өзгөчөлүктөр бар болгон тилке жана ушул сапаттар үчүн убакыт чекиттери катарында канча катар.

Адатта, машиналык окутуу дүйнөнүн абалы жана жеткиликтүү маалыматтар жөнүндө үч класстагы моделдерди түзүүнү камтыйт: генеративдик, дискриминациялык жана тыгыздык. Бул таблицада болжолдуу түрдө ар бир класстын нейробиология тутумундагы негизги суроого кандайча ылайык келери көрсөтүлгөн:

1 / Тыгыздык моделдери P (X): түкчөлөрдүн ичинде структура барбы? Үнсүз угулат. Чындыгында, бул бир нерсенин (дары-дармек, жүрүм-турум, уйку) мээге кандай таасир тийгизээрин билгиңиз келген нейрология илиминин чоң жетишкендиктеринин ачкычы; нерв иш-аракетинин түзүлүшү кандайча өзгөрдү?

Бир тутам нейрондорду жазуу менен, биз буга үч жол менен жооп бере алабыз.

Биринчиден, ар бир нейрондун кыртыштын поездинин санын X ылгандын ар бир тилкесинин статистикасын өлчөө менен аныктай алабыз. Андан соң сураңыз: P (X) модели бул статистика үчүн кандай? Нейрондун "түрлөрүн" табуу үчүн биз ушул статистиканы топтой алабыз; же жөн гана моделдерди биргелешип бөлүштүрүүгө ылайыкташтырыңыз. Кандай болбосун, бизде бирдиктүү нейрондордун чоңдугу боюнча маалымат структурасынын кээ бир модели бар.

Экинчиден, X катарларын колдонуп, бүтүндөй калктын көз ирмемдик кыймылынын векторлорун колдонуп, жалпы калктын иш-аракеттеринин генеративдик моделдерин түзө алабыз. Мындай моделдер, адатта, X түзүмүнүн канчасы бир нече чектөөлөрдөн кийин калыбына келтириле тургандыгын, алар канча векторлордун саны жана канча очогун бөлүштүрүү болоорун түшүнүүгө багытталган; же нейрондордун ортосундагы жуп багытындагы мамилелер; же алардын айкалыштары. Булар, айрыкча, популяциянын иш-аракетинде өзгөчө соус бар болсо, анда иштөө үчүн пайдалуу, бул көз карандысыз же кызыксыз жөнөкөй нейрондордун жамаатынын ишинен башка нерсе.

Үчүнчүдөн, биз Xдеги нейрондук активдүүлүктүн өлчөмү D << n болгон аз өлчөмдүү мейкиндикти кандайдыр бир жогорку өлчөмдүү жүзөгө ашыруу деген позицияны ээлей алабыз. Көбүнчө биз муну айтайбыз: Х-деги кээ бир нейрондор бири-бирине байланыштуу, ошондуктан биз популяцияны түшүнүү үчүн X бүтүндүгүн колдонуунун кажети жок - анын ордуна биз кыйла жөнөкөй өкүлчүлүк менен алмаштыра алабыз. Убакыт катарларын түздөн-түз топтоп алышыбыз мүмкүн, ошондуктан X-ны X_1тен X_Nге чейинки N кичинекей матрицалардын жыйындысына бөлүп чыгарабыз, алардын ар биринин ичинде (салыштырмалуу) күчтүү корреляциясы бар, ошондуктан өз алдынча мамиле жасоого болот. Же биз негизги компоненттердин анализи сыяктуу өлчөмдөрдү кыскартуунун кандайдыр бир ыкмасын колдонуп, убакыттын өтүшү менен популяциянын иш-аракеттериндеги бир басымдуу түрүн мүнөздөгөн убакыт катарларынын чакан топтомун алсак болот.

Мындан көп нерсе кыла алабыз. Жогоруда айтылгандай, нейрондордун кыйрашына өлчөмдү азайтууну колдонууну каалайбыз - биз X. мамычаларына кыскартууну колдонобуз, бирок убакыттын өтүшү менен Х-дын катарына өлчөмдүн азайышын колдонуп, нейрон иш-аракеттеринин ашыкча же жок экендигин сурабай эле койсо болот. , бул убакыттын өтүшү менен ар кандай учурларда нерв иш-аракетинин окшош мүнөзү бар-жогун сурайт. Эгерде алардын бир аз гана бөлүгү болсо, анда жазылган нейрондордун динамикасы абдан жөнөкөй.

Динамикалык тутумдарга жакындасак болот. Убакыттын өтүшү менен жөнөкөй моделдерди Xдеги өзгөрүүлөргө ылайыкташтырууга аракет кылабыз (б.а. бир катардан экинчисине картага түшүрүү) жана X моделиндеги динамиканын түрлөрүн эсептөө үчүн колдонуңуз - "attror", "separatrix", " ээрдин түйүнү ”,“ тешикченин бифуркациясы ”жана“ Арсеналдын кыйрашы ”(алардын бири гана реалдуу нерсе эмес). Ушундайча орнотулган динамикалык моделдердин бардыгын P (X) моделдер деп айтууга болот, анткени алар маалыматтын түзүлүшүн сүрөттөйт.

Тозок, биз нейрондук схеманын бүт динамикалык моделин, ар бир нейронду сүрөттөгөн дифференциалдык теңдемелерди X чейин сынап көрө алабыз, ошондо моделибизди ар кандай баштапкы шарттарда иштеткен сайын биздин P (X) үлгү тандалып алынат. .

Бул тыгыздык моделдери менен биз аларды ар башка мамлекеттердин тутумунда (S1, S2,…, Sm) жазылган нейрондук иш-аракеттерге ылайыкташтыра алабыз жана төмөнкүдөй суроолорго жооп алабыз: нейрондордун популяциясынын түзүлүшү уктап жатканда жана кантип өзгөрөт? ойгонуу? Же жаныбардын өрчүшүндөбү? Же кандайдыр бир тапшырманы үйрөнүү учурунда (S1 1-сыноо, S2 2-сыноо болушу мүмкүн; же S1 1-сессия жана S2 2-сессия; же алардын көп комбинациясы). Ошондой эле бизде суроо болот: нейрондордун активдүүлүгү канча өлчөмдө? Кортекстин ар башка региондорунун ортосунда өлчөмдөр айырмаланабы? Менин ачкычтарымды кимдир бирөө көрдү беле?

2 / Г (X | S) генеративдүү моделдери: Көңүлдүн көтөрүлүшүнө эмне себеп? Азыр сүйлөшүп жатабыз. Сызыктуу эмес сызыктуу моделдер же жалпыланган сызыктуу моделдер сыяктуу нерселер. Көбүнчө бул моделдер бир нейрондорго колдонулат, ар бир X тилкеде. Алар менен S дүйнөнүн абалын киргизүү катары колдонуп, нейрондун иш-аракетине мүмкүн болушунча жакыныраак келген нейрондук активдүүлүк сериясын чыгарабыз. Нейрондун активдүүлүгүн өркүндөтүүдө Sдин ар бир өзгөчөлүгүнө берилген салмактуулукту текшерүү менен, ал нейрондун кандайдыр бир зыянын тийгизгендей көрүнүшү мүмкүн.

Биз "дүйнөнүн абалы" деп эсептелген бир аз ийкемдүүлүккө ээ модель тандап алсак болот. Биз нейрондун буга чейинки иш-аракетин өзгөчөлүк катары кошо алабыз жана анын буга чейин жасаган иштерине кам көрө тургандыгын билебиз. Нейрондун кээ бир түрлөрү үчүн ооба деп жооп берет. Жарылуу нейрондон көп нерсени алып чыгышы мүмкүн, жана кайра кетерден мурун, эс алуу үчүн жатуу керек. Биз ошондой эле кененирээк ойлонуп, калктын калган бөлүгүн - X калдыгын - дүйнөнүн S абалына кошуп, нейрон күйүп жаткан кезде киргизе алабыз. Акыр-аягы, нейрондор кээде бири-биринин иштешине таасир этет, же болбосо мен ошого ишенем. Демек, визуалдык кортексте нейрондун реакциясы жөн гана тышкы дүйнөдөгү кырдын багыты менен гана чектелип калбастан, ага туташкан 10000 кортикалдык нейрондордун иш-аракеттеринен да көз каранды. Анда биз популяциядагы болжол менен таасирдүү нейрондорду биле алабыз.

Бул генеративдик моделдерди жалгыз нейрондорго колдонуунун кажети жок. Биз аларды тыгыздык моделдерибизге бирдей колдонсок болот; ар бир кластердин же өлчөмдүн дүйнө жөнүндө эмне кодировкалаарын сурасак болот. Же болбосо, кээ бир адамдар бул жерде болгондой, биз тыгыздык моделин дүйнөнүн абалы катары колдонсок болот жана ылдыйкы нейрондордун ошол моделинин өзгөчөлүктөрү эмне үчүн шайтанга айланат?

Ушул генеративдик моделдер менен жооп бере турган суроолордун түрлөрү айдан ачык: кайсы өзгөчөлүктөрдүн айкалышы нейрондун реакциясын алдын-ала эң жакшы божомолдойт? Бир эле нерсени тандаган нейрондор барбы? Нейрондор бири-бирине кандай таасир этет?

3 / Дискриминациялык моделдер P (S | X): шыбактар ​​кандай маалыматты алып жүрөт? Бул нейрология илиминдеги негизги маселе, анткени бул биздин катталган калктан ылдый түшүп калган бардык нейрондордун алдында турган көйгөй, анткени биз жазып алган жана биздин Х матрицабызга толтурулган нейрондордон алынган нейрондордун бардыгы нейрондорго эмне кереги бар. тышкы дүйнө жөнүндө жалаң гана шпага таянып билиши керек.

Бул жерде биз стандарттык классификаторлорду колдонсоңуз болот, алар белгиленген энбелгилерге киргизилет. Биз X катарларын киргизме катары колдоно алабыз, ар бир популяциянын иш-аракетинин сүрөтүн түшүрүп, С.дин тийиштүү катарларындагы бир, кээ бир же бардык функцияларды алдын-ала айтууга аракет кылышыбыз мүмкүн, бир аз убакытка кечигүү менен, X_t тилкесин колдонобуз Эгерде мээге кирген популяциялардын коддору кандайча кызыккан болсо, S_t-n абалын болжолдоп көрсөңүз; же биз X_t тилкесин колдонуп, S_t + n абалын болжолдойбуз, бул келечектеги n тепкичтүү кадам, эгерде популяциялар мээни дүйнөгө кандайдыр бир таасирин тийгизип коё тургандыгы кызыктырса. Мотор кортексиндеги кыймылга окшоп, мен азыр ар бир тамга термейин.

Кандай болбосун, биз X катарларын алып жатабыз (бирок бардыгы эле, биз ашыкча бербейбиз) жана классификациялоочусун Х-нын С. ылайыктуу бөлүгүнө мүмкүн болуучу диаграмманы табууга үйрөтөбүз. Xдин калган бөлүгүнөн S калганын болжолдоп көрсөңүз, эгер сиз укмуштай бактылуу болсоңуз, анда X жана S узак болушу мүмкүн, аларды поездге, тестке жана текшерүү топторуна бөлүштүрө аласыз. Акыркысын кулпуланган кутуда сактаңыз.

Албетте, биз каалагандай күчтүү классификатор катары колдоно алабыз. Логистикалык регрессиядан баштап, Байесиялык мамилелер аркылуу 23 катмарлуу нейрон тармагын колдонууга чейин. Бул көбүнчө сиз жооп бергиси келбеген нерсеге жана сизге жаккан кубаттуулуктун ортосундагы түшүнүккө байланыштуу. Менин башка эмгектерим бул соода-сатыктын кайсы жагын жактыраарымды айкын көрсөтүп берди. Бирок мен туура эмес далилденгениме кубанычтамын.

Нейрондорду коддоо моделдери түшүнүктүү, бирок кээ бир эски жана терең философиялык талаш-тартыштарга токтолгула. Кодировкалоону дискриминациялык моделдин жардамы менен текшерүү, ылдый жактан бир нерсе S системасын нерв иш-аракетинен чечүүгө аракет кылып жатат дегенди билдирет. Буга байланыштуу эки көйгөй бар. Нейрондор чечмеленбейт; нейрондор башаламандыктарды алып, өзүлөрүнүн түкчөлөрүн чыгарышат. Тескерисинче, алар табактын бир топтомунан башка табак топтомуна код киргизишет: балким, азыраак же жайыраак; балким көбүрөөк же тезирээк; Туруктуу агымдын термелүүсүнө өтүшү мүмкүн. Ошентип дискриминациялык моделдер биздин нейрондор кандай маалыматты коддолгонун тактап сурашат. Бирок биз ушул көз карашты карасак дагы, терең көйгөй бар.

Айрым учурларды эске албаганда, "ылдый жакта жайгашкан" нейрон деген нерсе жок. Биз жазган X нейрондор чексиз цикл менен толгон мээбиздин бир бөлүгү; алардын чыгышы өз киргизүүлөрүнө таасир этет. Эң жаманы, X нейрондорунун кээ бирлери башкалардан төмөн агат: алардын айрымдары түздөн-түз башкаларына киришет. Себеби, жогоруда айтылгандай, нейрондор бири-бирине таасир беришет.

Нейрондук маалымат илиминде манифест. Ал толук эмес; Жогоруда айтылган нерсенин туура эмес экени шексиз (открыткалардагы жооптор кадимки дарекке). Жогоруда айтылгандай, кызыкчылыктары ар кандай болгон лабораториялардын тобун синтездөө аракети, бирок мээлердин кандайча иштешине байланыштуу терең суроолорго жооп берүү үчүн, бул моделдин түрлөрүн чоң нейрондык маалыматтар топтомунда колдонуу. Булардын көпчүлүгү маалымат лабораториялары, өз суроолоруна жооп берүү үчүн эксперименталдык маалыматтарды талдоочу топтор; бир нече ат коюу - Джонатан Жаздык; Christian Machens; Konrad Kording; Kanaka Rajan; Джон Каннингэм; Adrienne Fairhall; Филип Беренс; Cian O'Donnell; Il Memming Park; Жакоб Маке; Gasper Tkacik; Oliver Marre. Ээ, мени. Башкалары тажрыйба лабораториялары болуп саналат, алар илим боюнча күчтүү илимге ээ: Энн Черчилл; Марк Черчилл; Николь Руст; Кришна Шеной; Карлос Броди; башкалардын атын атабаганым үчүн кечирим сурайм.

Мындай конференцияларды өткөрүүгө болот, ал тургай, кубатталат. Нейрондук илим илими боюнча журнал өз жолун улантууда. Бир нерсе куруп жатат. Кел, маалыматтардын сүйкүмдүү *.

* ооба, бул тамашаны тамашалаш үчүн маалыматтарды жекелик деп айтууга туура келди. Бул түшүндүрмө үчүн мен бул шилтемени жазып жатканым, илимпоздор күткөн деталдык нейрондук маалыматтарга ыкчам көңүл буруу жөнүндө түшүнүк берет.

Дагы каалайсызбы? Spike бизди ээрчип

Twitter: @markdhumphries