用人工神經(jīng)網(wǎng)絡(luò)控制真實大腦，MIT的科學(xué)家做到了

三位研究者分別是 MIT 大腦與行為科學(xué)系主任 James DiCarlo、MIT 博士后 Pouya Bashivan 和 Kohitij Kar。相關(guān)論文發(fā)表在 5 月 2 日 Science 的網(wǎng)絡(luò)版上。

論文鏈接：http s://www.biorxiv.org/content/10.1101/461525v1

研究人員表示，他們最初的目的是探索大腦如何感知和理解視覺世界。為此，他們創(chuàng)建了可以模擬大腦視覺皮層的計算模型。但僅僅創(chuàng)建模型是不夠的，他們還想知道自己創(chuàng)建的模型是否準(zhǔn)確。

于是，他們嘗試用創(chuàng)建的模型控制神經(jīng)元，測試他們的模型能否精確地控制單個神經(jīng)元以及視覺神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元群。這是一項非常嚴(yán)格的測試。

他們將自己創(chuàng)建的計算模型稱為「controller」，用這一模型控制另一個系統(tǒng)的輸出，也就是實驗中猴子大腦的神經(jīng)活動。

首先，他們利用從該計算模型中獲得的信息創(chuàng)建了特定的圖像。這些圖像與自然圖像存在很大的差別，如下圖所示。

研究人員利用深度神經(jīng)網(wǎng)絡(luò)模型合成的圖像。

研究人員將這些圖像展示給實驗中的猴子，觀察圖像是否可以強烈激活他們選擇的特定腦神經(jīng)元。

實驗結(jié)果表明，這些圖像可以強烈激活他們選擇的特定腦神經(jīng)元。也就是說，他們利用自己創(chuàng)建的人工神經(jīng)系統(tǒng)成功控制了真實神經(jīng)系統(tǒng)的活動。

實驗步驟

過去幾年里，DiCarlo 及其他人開發(fā)出了基于人工神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)模型。每個網(wǎng)絡(luò)開始時具有一個包含模型神經(jīng)元或節(jié)點的任意架構(gòu)，這些不同強度(也可稱權(quán)重)的神經(jīng)元或節(jié)點彼此之間可以相互連接。

隨后，研究者在一個擁有 100 多萬張圖像的庫中訓(xùn)練這些模型。當(dāng)研究者向模型展示每張圖像，并給圖像中最突出的物體添加標(biāo)簽(如飛機或椅子等)時，模型通過改變其連接強度來學(xué)習(xí)識別物體。

雖然很難準(zhǔn)確確定模型如何實現(xiàn)這種識別，但 DiCarlo 及其同事之前已經(jīng)證實了這些模型中的「神經(jīng)元」產(chǎn)生的活動模式與動物視覺皮層對同一圖像的反應(yīng)非常相似。

研究者設(shè)計了幾個閉環(huán)的神經(jīng)生理學(xué)實驗：在將模型神經(jīng)元與每個記錄的大腦神經(jīng)位點匹配之后，他們使用模型合成了全新的「controller」圖像。接下來，他們將這些圖像展示給每個目標(biāo)，以測試模型控制目標(biāo)神經(jīng)元的能力。

在一項測試中，研究人員讓模型嘗試控制每個大腦神經(jīng)元，使其激活程度超過其平時觀察到的最大激活水平。他們發(fā)現(xiàn)，模型生成的合成刺激成功地驅(qū)動 68% 的神經(jīng)位點超出了它們的自然觀察激活水平。

在一項更加嚴(yán)格的測試中，研究人員試圖生成能夠最大限度地控制一個神經(jīng)元的圖像，同時保持附近神經(jīng)元的活躍度非常低，這是一項更加困難的任務(wù)。

但這沒有難倒他們。對于測試的大多數(shù)神經(jīng)元，研究人員能夠增強目標(biāo)神經(jīng)元的活躍度，而周圍神經(jīng)元的活躍度幾乎沒有增加。

接下來，研究者利用這些非自然合成的 controller 圖像來測試模型預(yù)測大腦反應(yīng)的能力是否可以適用于這些全新的圖像。結(jié)果表明，模型非常準(zhǔn)確，預(yù)測到了 54% 的圖像誘發(fā)的大腦反應(yīng)模式，不過這還不夠完美。

「此前，模型已經(jīng)能夠預(yù)測神經(jīng)對其他未見過的刺激的反應(yīng)，」Bashivan 表示?！高@里主要的不同之處在于我們又往前走了一步，即利用模型控制神經(jīng)元達到我們想要的狀態(tài)。」

為了達到這一目標(biāo)，研究人員首先在計算模型中創(chuàng)建了大腦 V4 視覺區(qū)域神經(jīng)元到節(jié)點的一對一映射。他們通過向動物和模型展示圖像，并比較它們對相同圖像的反應(yīng)來實現(xiàn)這一目的。V4 區(qū)有數(shù)百萬個神經(jīng)元，但在這項研究中，研究人員每次只創(chuàng)建 5~40 個神經(jīng)元的映射。

「一旦搞清楚了每個神經(jīng)元的分工，模型就能對神經(jīng)元做出預(yù)測。」DiCarlo 表示。

研究人員開始研究能否利用這些預(yù)測來控制視覺皮層單個神經(jīng)元的活動。他們用到的第一種控制叫做「stretching」，包括展示一幅將會控制某個特定神經(jīng)元的圖像。

研究人員發(fā)現(xiàn)，當(dāng)他們向動物展示這些由模型創(chuàng)建的非常規(guī)「合成」圖像時，目標(biāo)神經(jīng)元的確做出了預(yù)期的反應(yīng)。平均而言，這些神經(jīng)元對合成圖像的反應(yīng)要比它們看到用于訓(xùn)練模型的自然圖像時活躍 40% 左右。這種控制方法也是首創(chuàng)性的。

「實驗數(shù)據(jù)收集和計算建模分開進行是神經(jīng)科學(xué)的一個普遍趨勢，這使得模型驗證非常少，因此缺乏可量化的進展。我們的工作使這一『閉環(huán)』方法」重獲生機，將模型預(yù)測和神經(jīng)測量都包含進來，這些對成功構(gòu)建和測試最接近大腦的模型至關(guān)重要，」Kar 表示。

圖 1：合成步驟概覽。A) 兩個受測控制場景的圖示。C) 神經(jīng)控制實驗具體步驟。D) 猴子 M(黑色)、N(紅色)和 S(藍色)的神經(jīng)位點感受野。其中 C 展示了神經(jīng)控制實驗的四個步驟：在大量標(biāo)注自然圖像上訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以優(yōu)化其參數(shù)，然后保持不變;將 ANN「神經(jīng)元」映射到每個記錄的 V4 神經(jīng)位點;使用得到的可微模型合成「controller」圖像，用于 single-site 或群體控制;將這些圖像指定的發(fā)光模式應(yīng)用于受試者的視網(wǎng)膜，衡量神經(jīng)位點的控制水平。

證明用人工神經(jīng)網(wǎng)絡(luò)理解真實神經(jīng)網(wǎng)絡(luò)的可行性

實驗結(jié)果表明，當(dāng)前這些模型與大腦非常類似，可用于控制動物的腦狀態(tài)。James DiCarlo 稱，該研究還有助于確定這些模型的有用性，而這引起了它們是否可以精確模擬視覺皮層工作的激烈爭論。

他還說道：「人們對這些模型是否可以理解視覺系統(tǒng)提出了質(zhì)疑。拋卻學(xué)術(shù)意義上的爭論，我們證實了這些模型已經(jīng)足夠強大，能夠促成一項重要的新應(yīng)用。無論你是否理解該模型的工作原理，從這層意義上來說已經(jīng)很有用了?！?/p>

「他們做到的這一點真的很棒。就好像那副理想的圖像突然抓住了那個神經(jīng)元的注意力。那個神經(jīng)元突然找到了它一直以來尋找的刺激，」匹茲堡大學(xué)生物工程學(xué)副教授 Aaron Batista 表示?！高@個想法非常了不起，將其變?yōu)楝F(xiàn)實更加了不起。*這可能是用人工神經(jīng)網(wǎng)絡(luò)理解真實神經(jīng)網(wǎng)絡(luò)迄今為止最有力的證明*?！?/p>

研究成果有望用于治療抑郁癥

研究者表示，對于那些想要研究不同神經(jīng)元如何相互作用和如何連接的神經(jīng)科學(xué)家來說，這種控制可能有用。在遙遠(yuǎn)的未來，這種方法有可能在治療抑郁癥等情緒障礙中發(fā)揮作用。目前，研究者正在研究將他們的模型擴展至為杏仁體提供養(yǎng)料的顳下皮層，而杏仁體又涉及到情緒處理。

Bashivan 表示：「如果我們有一個優(yōu)秀的神經(jīng)元模型，它可以體驗情緒或引發(fā)不同種類的失調(diào)，我們就可以使用該模型控制神經(jīng)元，來幫助緩解失調(diào)狀況。」