Американские физики опубликовали исследование, которое может открыть новый этап в развитии искусственных нейронных сетей. Работой занималась команда ученых из Университета Эмори, которая свела мозговую активность мыши к упрощенной модели для прогнозов.
Имитация мозговой активности
Серые грызуны регулярно становятся объектом для исследований и опытов ученых из разных сфер. Уже были примеры управления мышами с помощью их компьютерных «сородичей» и целая масса генетических испытаний для науки будущего.
В данном случае специалисты применили методы машинного обучения (то есть искусственного интеллекта) для выращивания теоретического мышиного мозга.
Физики отмечают, что динамика поведения нейронных связей мозга мыши весьма неожиданна и необычна, однако в теории ее можно смоделировать даже без тонких средств настройки.
То, как ведет себя мышиный мозг, можно представить в форме виртуальной модели, но с определенными условиями. Например, есть множество нейронных взаимодействий, каждое из которых просто невозможно оценить и измерить даже с помощью машинного обучения. Поэтому возникает потребность в некотором упрощении задачи, что потребовало использования математического трюка.
Критичность нейронных сетей
В совокупности весь массив нейронных связей мозга пребывает в равновесии между двумя состояниями – порядком и хаосом. Обычно нейронные связи ведут себя по-разному.
Как полагают исследователи, в этом балансе мозг функционирует так же, как и многие другие системы, переходящие из одного состояния в другое. При этом может достигаться крайняя форма, когда нейроны обретают одно и то же состояние. Можно привести аналогию с водой, которая имеет критичное газообразное или твердое состояние, а между ними имеется промежуточное жидкое. Ученые предположили, что органические нейронные сети работают в одинаковом состоянии гипотетического равновесия.
База для машинного обучения
На мышах был проведен ряд тестов, когда они бегали по лабиринтам, что позволило сформировать базу с исходными данными о функционировании их мозга.
После этого ученые начали разработку упрощенной модели, способной прогнозировать взаимодействия между нейронами. Предсказания основывались на данных эксперимента с лабиринтом. Ученые отметили, что точность этого механизма достигает нескольких процентных пунктов.
Хотя на данном этапе созданная модель является начальным этапом в исследовании мозга с точки зрения возможностей его представления в виде работающего искусственного интеллекта, она может стать основой для будущего анализа человеческого мозга. Ученым удалось упростить функциональную структуру мышиного мозга до уровня, на котором закономерности его работы можно отражать в действующей компьютерной модели. В контексте приближения дальнейших исследований это может положить начало масштабирования до уровня возможностей мозга человека.
Новый этап исследований
Возможные открытия при исследованиях в этом направлении могут улучшить существующие методы глубокого обучения, включая и те, которые опираются на механизмы работы нейронных сетей. Только следует учитывать, что на данном этапе существующие модели подобной имитации имеют мало общего с возможностями, которыми наделила мозг природа. Ценность экспериментов с мышами в этом отношении заключается в надежности представления сильно ограниченной модели функционирования мозга.
В системах прогнозирования подобные модели могут также играть большое значение благодаря стойкости к фактору предвзятости. Очевидным способом практического применения данного механизма является обработка данных при финансовом отслеживании. Если ученым удастся придать теоретической модели мышиного мозга форму системы прогноза на конкретных индикаторах, этот инструмент сможет сломать фондовый рынок. В более глобальном представлении речь может идти о предсказании погодных условий или климатических изменений в долгосрочной перспективе.
На данном этапе исследований о реальном применении модели, имитирующей работу мозга, пока еще рано говорить, особенно применительно к уровню такой имитации, когда высокая степень надежности будет подкрепляться столь же высокой сложностью решаемых задач.
