Kalla det en a-MAZE-ing-utveckling:Ett U.K.-baserat team av forskare har utvecklat ett program för artificiell intelligens som kan lära sig att ta genvägar genom en labyrint för att nå sitt mål. I processen, programmet utvecklade strukturer som liknar dem i den mänskliga hjärnan.

Framväxten av dessa beräknande "rutnätceller, "beskrivs i tidningen Natur , kan hjälpa forskare att designa bättre navigationsprogramvara för framtida robotar och till och med erbjuda ett nytt fönster för att undersöka däggdjurshjärnans mysterier.

Under de senaste åren har AI-forskare har utvecklat och finjusterat djupinlärningsnätverk-skiktade program som kan komma med nya lösningar för att uppnå sitt tilldelade mål. Till exempel, ett nätverk med djup inlärning kan få veta vilket ansikte som ska identifieras i en serie olika foton, och genom flera omgångar träning, kan justera sina algoritmer tills det ser rätt ansikte praktiskt taget varje gång.

Dessa nätverk är inspirerade av hjärnan, men de fungerar inte riktigt som dem, sa Francesco Savelli, en neurovetenskapare vid Johns Hopkins University som inte var inblandad i tidningen. Än så länge, AI -system är inte nära att efterlikna hjärnans arkitektur, mångfalden av riktiga neuroner, komplexiteten hos enskilda neuroner eller till och med reglerna som de lär sig.

"Det mesta av inlärningen antas ske med förstärkning och försvagning av dessa synapser, "Savelli sa i en intervju, med hänvisning till kopplingarna mellan neuroner. "Och det gäller även dessa AI -system - men exakt hur du gör det, och reglerna som styr den typen av lärande, kan vara väldigt olika i hjärnan och i dessa system. "

Oavsett, AI har verkligen varit användbart för ett antal funktioner, från ansiktsigenkänning till dechiffrering av handstil och översättning av språk, Sa Savelli. Men aktiviteter på högre nivå-som att navigera i en komplex miljö-har visat sig mycket mer utmanande.

En aspekt av navigation som våra hjärnor verkar utföra utan medveten ansträngning är vägintegration. Däggdjur använder denna process för att räkna om sin position efter varje steg de tar genom att redogöra för avståndet de har rest och riktningen de står inför. Det anses vara nyckeln till hjärnans förmåga att ta fram en karta över sin omgivning.

Bland de neuroner som är associerade med dessa "kognitiva kartor":platsceller, som tänds när deras ägare befinner sig på en viss plats i miljön; huvudriktade celler, som berättar för sin ägare vilken riktning de vetter; och rutnätceller, som verkar svara på ett inbillat sexkantigt rutnät som är kartlagt över den omgivande terrängen. Varje gång en person trampar på en "nod" i detta rutnät, neuronet brinner.

"Gridceller tros ge den kognitiva kartan geometriska egenskaper som hjälper till att planera och följa banor, "Savelli och kollegan Johns Hopkins neurovetenskapare James Knierim skrev i en kommentar till tidningen. Upptäckten av rutnätceller gav tre forskare 2014 års Nobelpris i fysiologi eller medicin.

Människor och andra djur verkar ha väldigt lite problem med att röra sig genom rymden eftersom alla dessa högspecialiserade neuroner arbetar tillsammans för att berätta var vi är och vart vi ska.

Forskare på DeepMind, som ägs av Google och University College London, undrade om de kunde utveckla ett program som också kunde utföra vägintegration. Så de tränade nätverket med simuleringar av banor som används av gnagare som letar efter mat. De gav den också data för en gnagares rörelse och hastighet samt feedback från simulerade platsceller och celler i huvudriktning.

Under denna utbildning, forskarna märkte något konstigt:Den simulerade gnagaren tycktes utveckla aktivitetsmönster som såg anmärkningsvärt ut som rutnätceller - även om rutnätceller inte hade varit en del av deras träningssystem.

"Framväxten av rutnätliknande enheter är ett imponerande exempel på djupinlärning som gör vad den gör bäst:att uppfinna ett original, ofta oförutsägbar intern representation för att hjälpa till att lösa en uppgift, "Savelli och Knierim skrev.

Rutnätceller verkar vara så användbara för vägintegration att denna faux-gnagare kom på en lösning som på ett kusligt sätt liknar en riktig gnagarhjärna. Forskarna undrade sedan:Kan rutnätceller också vara användbara i en annan avgörande aspekt av däggdjursnavigering?

Den aspekten, kallas vektorbaserad navigering, är i grunden förmågan att beräkna rakskottet, "som kråkan flyger" avstånd till ett mål även om du ursprungligen tog längre tid, mindre direkt rutt. Det är en användbar färdighet för att hitta genvägar till din destination, Savelli påpekade.

För att testa detta, forskare utmanade nätcellaktiverade faux-gnagare för att lösa en labyrint, men blockerade de flesta dörröppningarna så att programmet skulle behöva ta den långa vägen till sitt mål. De modifierade också programmet så att det belönades för åtgärder som förde det närmare målet. De tränade nätverket på en given labyrint och öppnade sedan genvägar för att se vad som hände.

Säker nog, den simulerade gnagaren med rutnätceller hittade snabbt och använde genvägarna, även om dessa vägar var nya och okända. Och det presterade mycket bättre än en faux-gnagare vars startpunkt och målpunkt endast spårades av platsceller och celler i huvudriktning. Det slog till och med ut en "mänsklig expert, "sa studieförfattarna.

Resultaten kan så småningom visa sig vara användbara för robotar som tar sig igenom okänt territorium, Sa Savelli. Och ur ett neurovetenskapligt perspektiv, de kan hjälpa forskare att bättre förstå hur dessa neuroner gör sitt jobb i däggdjurshjärnan.

Självklart, detta program var mycket förenklat jämfört med dess biologiska motsvarighet, Savelli påpekade. I den simulerade gnagaren, "platscellerna" förändrades inte - även om platsceller och rutnätceller påverkar varandra på komplexa sätt i verkliga hjärnor.

"Genom att utveckla nätverket så att platscellskiktet kan moduleras med nätliknande ingångar, vi kunde börja packa upp denna relation, "Savelli och Knierim skrev.

Att utveckla detta AI -program ytterligare kan hjälpa forskare att börja förstå alla komplexa relationer som spelar in i levande neurala system, tillade de.

Men om de vill finslipa tekniken eller använda den för att förstå biologi, forskare måste få bättre koll på sina egna djupinlärningsprogram, vars lösningar på problem ofta är svåra att dechiffrera även om de konsekvent får resultat, sa forskare.

"Att göra djupinlärningssystem mer begripliga för mänskligt resonemang är en spännande utmaning för framtiden, "Savelli och Knierim skrev.

© 2018 Los Angeles Times
Distribueras av Tribune Content Agency, LLC.