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(jué)世界。為此，他們創(chuàng)建了可以模擬大腦視覺(jué)皮層的計(jì)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(cè)試他們的模型能否精確地控制單個(gè)神經(jīng)元以及視覺(jué)神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元群。這是一項(xiàng)非常嚴(yán)格的測(cè)試。

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

首先，他們利用從該計(jì)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(shí)驗(yàn)中的猴子，觀察圖像是否可以強(qiáng)烈激活他們選擇的特定腦神經(jīng)元。

實(shí)驗(yàn)結(jié)果表明，這些圖像可以強(qiáng)烈激活他們選擇的特定腦神經(jīng)元。也就是說(shuō)，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(shí)神經(jīng)系統(tǒng)的活動(dòng)。

實(shí)驗(yàn)步驟

過(guò)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(jué)系統(tǒng)模型。每個(gè)網(wǎng)絡(luò)開始時(shí)具有一個(gè)包含模型神經(jīng)元或節(jié)點(diǎn)的任意架構(gòu)，這些不同強(qiáng)度(也可稱權(quán)重)的神經(jīng)元或節(jié)點(diǎn)彼此之間可以相互連接。

隨后，研究者在一個(gè)擁有 100 多萬(wàn)張圖像的庫(kù)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(jī)或椅子等)時(shí)，模型通過(guò)改變其連接強(qiáng)度來(lái)學(xué)習(xí)識(shí)別物體。

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

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

在一項(xiàng)測(cè)試中，研究人員讓模型嘗試控制每個(gè)大腦神經(jīng)元，使其激活程度超過(guò)其平時(shí)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(dòng) 68% 的神經(jīng)位點(diǎn)超出了它們的自然觀察激活水平。

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

但這沒(méi)有難倒他們。對(duì)于測(cè)試的大多數(shù)神經(jīng)元，研究人員能夠增強(qiáng)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(méi)有增加。

接下來(lái)，研究者利用這些非自然合成的 controller 圖像來(lái)測(cè)試模型預(yù)測(cè)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(cè)到了 54% 的圖像誘發(fā)的大腦反應(yīng)模式，不過(guò)這還不夠完美。

「此前，模型已經(jīng)能夠預(yù)測(cè)神經(jīng)對(duì)其他未見(jiàn)過(guò)的刺激的反應(yīng)，」Bashivan 表示。「這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(dá)到我們想要的狀態(tài)。」

為了達(dá)到這一目標(biāo)，研究人員首先在計(jì)算模型中創(chuàng)建了大腦 V4 視覺(jué)區(qū)域神經(jīng)元到節(jié)點(diǎn)的一對(duì)一映射。他們通過(guò)向動(dòng)物和模型展示圖像，并比較它們對(duì)相同圖像的反應(yīng)來(lái)實(shí)現(xiàn)這一目的。V4 區(qū)有數(shù)百萬(wàn)個(gè)神經(jīng)元，但在這項(xiàng)研究中，研究人員每次只創(chuàng)建 5~40 個(gè)神經(jīng)元的映射。

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

研究人員開始研究能否利用這些預(yù)測(cè)來(lái)控制視覺(jué)皮層單個(gè)神經(jīng)元的活動(dòng)。他們用到的第一種控制叫做「stretching」，包括展示一幅將會(huì)控制某個(gè)特定神經(jīng)元的圖像。

研究人員發(fā)現(xiàn)，當(dāng)他們向動(dòng)物展示這些由模型創(chuàng)建的非常規(guī)「合成」圖像時(shí)，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(duì)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(shí)活躍 40% 左右。這種控制方法也是首創(chuàng)性的。

「實(shí)驗(yàn)數(shù)據(jù)收集和計(jì)算建模分開進(jìn)行是神經(jīng)科學(xué)的一個(gè)普遍趨勢(shì)，這使得模型驗(yàn)證非常少，因此缺乏可量化的進(jìn)展。我們的工作使這一『閉環(huán)』方法」重獲生機(jī)，將模型預(yù)測(cè)和神經(jīng)測(cè)量都包含進(jìn)來(lái)，這些對(duì)成功構(gòu)建和測(cè)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(gè)受測(cè)控制場(chǎng)景的圖示。C) 神經(jīng)控制實(shí)驗(yàn)具體步驟。D) 猴子 M(黑色)、N(紅色)和 S(藍(lán)色)的神經(jīng)位點(diǎn)感受野。其中 C 展示了神經(jīng)控制實(shí)驗(yàn)的四個(gè)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(gè)記錄的 V4 神經(jīng)位點(diǎn);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(diǎn)的控制水平。

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

實(shí)驗(yàn)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(dòng)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(jué)皮層工作的激烈爭(zhēng)論。

他還說(shuō)道：「人們對(duì)這些模型是否可以理解視覺(jué)系統(tǒng)提出了質(zhì)疑。拋卻學(xué)術(shù)意義上的爭(zhēng)論，我們證實(shí)了這些模型已經(jīng)足夠強(qiáng)大，能夠促成一項(xiàng)重要的新應(yīng)用。無(wú)論你是否理解該模型的工作原理，從這層意義上來(lái)說(shuō)已經(jīng)很有用了?！?/p>

「他們做到的這一點(diǎn)真的很棒。就好像那副理想的圖像突然抓住了那個(gè)神經(jīng)元的注意力。那個(gè)神經(jīng)元突然找到了它一直以來(lái)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(gè)想法非常了不起，將其變?yōu)楝F(xiàn)實(shí)更加了不起。*這可能是用人工神經(jīng)網(wǎng)絡(luò)理解真實(shí)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(duì)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(lái)說(shuō)，這種控制可能有用。在遙遠(yuǎn)的未來(lái)，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(kuò)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(gè)優(yōu)秀的神經(jīng)元模型，它可以體驗(yàn)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(lái)幫助緩解失調(diào)狀況?！?/p>