用人工神經(jīng)網(wǎng)絡控制真實大腦，MIT的科學家做到了

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

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)絡中的神經(jīng)元群。這是一項非常嚴格的測試。

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)絡的視覺系統(tǒng)模型。每個網(wǎng)絡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練這些模型。當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簽(如飛機或椅子等)時，模型通過改變其連接強度來學習識別物體。

雖然很難準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非常相似。

研究者設計了幾個閉環(huán)的神經(jīng)生理學實驗：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，以測試模型控制目標神經(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。

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 圖像來測試模型預測大腦反應的能力是否可以適用于這些全新的圖像。結(jié)果表明，模型非常準確，預測到了 54% 的圖像誘發(fā)的大腦反應模式，不過這還不夠完美。

「此前，模型已經(jīng)能夠預測神經(jīng)對其他未見過的刺激的反應，」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)?！?/p>

為了達到這一目標，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)元做出預測?！笵iCarlo 表示。

研究人員開始研究能否利用這些預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，目標神經(jīng)元的確做出了預期的反應。平均而言，這些神經(jīng)元對合成圖像的反應要比它們看到用于訓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：在大量標注自然圖像上訓練神經(jīng)網(wǎng)絡，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)絡理解真實神經(jīng)網(wǎng)絡的可行性

實驗結(jié)果表明，當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。拋卻學術意義上的爭論，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，」匹茲堡大學生物工程學副教授 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)絡理解真實神經(jīng)網(wǎng)絡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)科學家來說，這種控制可能有用。在遙遠的未來，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?！?/p>