Наша географияЗаявка на членство+7 916 848-78-01info@rusneuro.net
О НейроНетеНаша миссияЧлены союзаНовостиПресс-центрДокументыАрхивКонтакты
Новости / Обзор новостей нейротехнологий 10.06.17-16.06.17
Новости
16.06.2017

Обзор новостей нейротехнологий 10.06.17-16.06.17

Измерение стресса с помощью ЭЭГ

“Independent Component Analysis and Source Localization on Mobile EEG Data Can Identify Increased Levels of Acute Stress” | Frontiers in Human Neuroscience | doi: 10.3389/fnhum.2017.00310

 

трекинг состояний

 

Мобильный ЭЭГ интерфейс способен уловить, что человек находится в состоянии стресса. Это показали нейробиологи Мичиганского университета вместе с сотрудниками Абердинского испытательного полигона армии США. Они провели испытания с одиннадцатью добровольцами, которые упражнялись в стендовой стрельбе из винтовки. Стресс стрелкам обеспечили сами авторы исследования, направляя винтовку на них. Разработанный авторами независимый анализ компонентов ЭЭГ с локализацией источника служил в качестве маркера стресса.

 

В ходе экспериментов никто не пострадал -- использовались винтовки для страйкбола. Но угроза даже такого выстрела вызывает в организме реакцию стресса. Это легко установили с помощью трех известных методов: снятия сердечных сокращений, кожно-гальванической реакции и замеров уровня кортизола в слюне. Далее авторы поставили задачу поймать то же стрессовое состояние другим способом, с помощью шлема ЭЭГ на свободноподвижном человеке.

 

 

Испытуемый стреляет по мишени. На нем 128-канальный ЭЭГ шлем, на запястье браслет для измерения сопротивления кожи, на груди электроды для снятия пульса. Экспериментатор делает вид, что целится стрелку в ноги.

 

В контрольном эксперименте участники делали по 50 выстрелов по мишени. После отдыха они вновь выходили на позицию, только в этот раз в 9 метрах от стрелка вставал экспериментатор и стрелял в цель, на пути которой оказывался стрелок. Его предупредили, что могут случайно попасть ему в ногу, но он должен сосредоточиться на своей задаче и стрелять строго по мишени. Мониторинг физиологических параметров показал, что во второй попытке уровень стресса людей был заметно выше.

 

Данные ЭЭГ, синхронные с физиологическими измерениями, затем обрабатывались алгоритмами EEGLAB, очищались от шума и артефактов. Авторы нашли, что в момент стресса снижалась альфа-активность в дорсолатеральной префронтальной коре и снижалась синхронизация тета ритмов. Они выделили пять кластеров в дорсолатеральной префронтальной коре и показали, что активность мозга в этих областях содержит информацию, которая в реальном времени отражает острый уровень стресса.

 

 

Навигация для клеточной электрофизиологии с помощью робота

“Robotic navigation to sub-cortical neural tissue for intracellular electrophysiology in vivo” | Journal of Neurophysiology | doi: 10.1152/jn.00117.2017

 

 

имиджинг

 

Биоинженеры из Технологического института Джорджии, а также Массачусетского технологического института разработали метод автоматизированной локальной фиксации потенциала (пэтч-кламп). В биологии пэтч-кламп используют для изучения свойств ионных каналов. Фрагмент клеточной мембраны изолируют, вплотную прилагая к нему специальную микропипетку, она позволяет контролировать разность потенциалов между сторонами мембраны. Авторы показали, как эту процедуру на живом мозге может делать робот.

Когда нужно провести измерения в нескольких местах мелкого участка нервной ткани, пипетку приходится не единожды перемещать на несколько микрон, и её кончик загрязняется чаще всего из-за попадания в капилляры и сосуды. Это мешает измерениям. Пэтч-кламп требует сноровки, от того чаще применяется на срезах ткани (in vitro), нежели в живом организме (in vivo). Авторы придумали, как обнаружить сосуды in vivo, сведя к минимуму их разрыв. Силу ввода пипетки и её перемещение контролирует компьютер, делая замеры электрического сопротивления ткани. Так удается избежать попадания в сосуды и получить на глубине 3 мм ту же четкость измерений, что получали прежним методом на глубине 1 мм.

При вводе пипетки в ткань сопротивление измерялось путем применения квадратной волны с амплитудой 20 мВ и частотой 128 Гц, расчет сопротивления делался по закону Ома. Пипетка опускалась до тех пор, пока сопротивление наконечника не возрастало на 12,5% от изначального. Рост сопротивления, как авторы установили в опытах на срезах, связан с препятствием на пути пипетки в виде кровеносных сосудов. В этом случае пипетка отводилась вверх на 50 мкм и затем вводилась в новое случайное место на 30 мкм дальше, а сопротивление наконечника снова измерялось. Процесс выполнялся многократно, и так робот не только выполнил все заданные пэтч-кламп измерения, но и заодно построил карту сосудов в участке ткани.  

 

 

Алгоритм избегания сосудов [1] Препятствие (кровеносный сосуд) обнаруживается как рост сопротивления на конце. [2] Пипетка вынимается, [3] передвигается в сторону, [4] вводится вновь. Если разница в сопротивлении у сосуда и в месте уклонения <200 кОм, [5] пипетка еще продвигается вглубь и [6] возвращается к исходной оси, изгибая сосуд.

 

Препятствия на пути пипетки встречались в 95% попыток, их удалось избежать, и в области таламуса мыши авторы провели пэтч-кламп с тем же качеством, с каким раньше делали это в коре. Они уверены, что все подкорковые ядра доступны теперь для этого метода и отмечают, что им известны лишь семь работ по цельноклеточной записи потенциалов на глубинах 3 мм и выше. С помощью робота задача стала проще, и количество экспериментов прибавится.

 

 

В мозге открыли пространства высокой размерности

“Cliques of Neurons Bound into Cavities Provide a Missing Link between Structure and Function” | Front. Comput. Neurosci. | doi: 10.3389/fncom.2017.00048

 

математические модели мозга

 

Применив по-новому алгебраическую топологию в нейронауке, команда проекта Blue Brain Project показала, что мозг работает в логике многомерных структур. Эти структуры возникают, когда группы нейронов образуют “клики”, подмножества вершин графа, любые две из которых соединены ребром. Каждый нейрон соединяется со всеми другими нейронами в группе очень специфическим образом, генерируя точный геометрический объект. Чем больше нейронов в клике, тем размерность объекта выше. В крошечном участке мозга авторы математически выделяют десятки миллионов таких структур, вплоть до структур с семью и даже одиннадцатью измерениями.

 

Авторы взяли полученную ими в 2015 году цифровую копию части неокортекса и описали её с учетом направления синаптической передачи. Они построили сетевые графы, которые отражают вектор потока информации, и проанализировали их с помощью алгебраической топологии. Так они открыли в нейросетях сложные высокоразмерные структуры. Эксперименты с симуляцией показали, что при обработке новой порции данных в мозге собираются клики все большей размерности, образуя полости со сложной топологией, которые затем разрушаются.

 

 

Слева цифровая копия части неокортекса, справа структуры разной размерности. «Черная дыра» посередине обозначает комплекс многомерных пространств-полостей. Группы нейронов, связанных в такие полости, обеспечивают связь между нейронной структурой и функцией.

 

По мнению авторов, опыты показали, что нейронные сети реагируют на стимулы чрезвычайно организованным образом. Мозг словно строит в топологическом пространстве объекты сложных геометрий, размерность которых последовательно растет от 1D, 2D, 3D и так далее. Затем вся сложность рассыпается. Модель проверили и подтвердили in vitro на срезах коры мозга, где в сети из 55 нейронов удалось обнаружить структуры из трех и один раз четырех измерений.

 

Идея работы в том, что обработка входного сигнала в мозге идет через быстрое связывание нейронов в структуры с возрастающей размерностью и их последующее разрушение. В ответ на раздражитель коррелированная активность объединяет синаптически связанные нейроны в клики и полости, которые последовательно эволюционируют к максимальной сложности. Так называемые клики отражают важные параметры входного сигнала, а возникающие полости-пустоты представляют ассоциации между параметрами.

 

Архитектура фотонного чипа для глубокого обучения

“Deep learning with coherent nanophotonic circuits” | Nature Photonics | doi:10.1038/nphoton.2017.93

 

глубокое обучение

 

Инженеры из Массачусетского технологического института предложили новую архитектуру для вычислений, которая повысит скорость и эффективность глубокого обучения нейросетей. В отличие от компьютеров, которые вычисляют с помощью электричества, новая схема использует свет. Оптический чип на новой архитектуре сможет вычислять типичные алгоритмы искусственного интеллекта намного быстрее и затрачивая в тысячу раз меньше энергии на операцию по сравнению с электронным чипом.

Авторы отмечают, что сегодня архитектуры неэффективны при работе с нейронными сетями, поскольку большая часть “железа” была разработана для вычислительных схем фон Неймана. При глубоком обучении часть задач сводится к многократному перемножению матриц, что затратно в плане вычислений для типичных процессоров. В MIT придумали, как выполнять эти операции оптически. Чип, созданный по новой схеме, смог бы провести матричное умножение почти с нулевым расходом энергии и почти мгновенно.

 

 

 

а. Микрофотография изготовленного блока оптической интерференции; система действует как оптически программируемая логическая матрица. б. Схема программы нейронной сети, которая реализует умножение матриц и усиление полностью оптически. с. Иллюстрация однофазного сдвига в интерферометре Маха-Цендера (MZI) и кривая пропускания для настройки внутреннего фазовращателя MZI.

 

Даже линза очков выполняет на проходящих сквозь нее световых волнах сложный расчет, так называемое фурье-преобразование светового поля. Фотонный чип вычисляет сложнее, но по сходному принципу. Он использует набор световых лучей, направленных таким образом, что их волны взаимодействуют и создают интерференционные паттерны, которые сообщают результат операции. Свое устройство авторы называют программируемым нанофотонным процессором.

Нанофотонный процессор использует массив световодов, они взаимосвязаны и могут перенастраиваться под задачу.  Так можно программировать набор лучей для конкретного вычисления. Авторы предлагают создать чередующиеся слои устройств, которые вместе выполнят операцию нелинейной функции активации, по аналогии с работой нейронов в мозге. Для демонстрации идеи инженеры собрали нанофотонный процессор с каскадным массивом из 56 интерферометров для нейронной сети, которая распознает четыре основных гласных звука. Даже с такой рудиментарной системой они достигли 77-процентного уровня точности. В планах -- довести идею до настоящего устройства.

 

 

Обучение ИИ на основе предпочтений человека

“Deep reinforcement learning from human preferences” | arXiv:1706.03741
 

искусственный интеллект

 

Программисты компании DeepMind разработали алгоритм, который учится решать задачу, опираясь на мнение человека. Программа ничего не знает о целевой функции, но предлагает оценщику выбор из двух вариантов своего поведения. Человек указывает, какой вариант лучше, и на серии таких выборов алгоритм строит свой прогноз о том, что делать дальше. Так можно быстро обучить систему приходить к решению, не прописав задачу прямо.

Системы машинного обучения с обратной связью от людей изучались и раньше, но в DeepMind развили этот подход, чтобы работать над более трудными целями. Алгоритму потребовалось 900 бит обратной связи, чтобы в виртуальном пространстве научить конструкцию из четырех блоков делать обратный кувырок. Задача кажется простой, но ее сложно определить явным образом, зато легко оценить.

 

 

 

Учебный процесс идет как трехэтапный цикл: обратная связь от человека, понимание агентом цели и обучение с подкреплением.

 

Агент начинает случайно действовать в виртуальной среде. Периодически он дает человеку два видеоролика своего поведения, и человек решает, какой из двух ближе к цели, в данном случае, кувырку. Так агент постепенно строит модель цели, находя функцию вознаграждения, которая наилучшим образом объясняет суждения человека. Затем он использует обучение с подкреплением, чтобы узнать, как этой цели достичь. По мере того как поведение агента улучшается, он продолжает запрашивать обратную связь по тем траекториям движения, где менее уверен. Так агент дальше совершенствует свое понимание цели (видео).

 

Метод также протестировали по ряду задач в симуляциях робототехники и играх Atari без доступа к функции вознаграждения, например, в случае Atari агент не знал свой текущий игровой балл. Во многих средах отзывов оценщика хватило, чтобы агент добился высоких результатов, иногда превосходя результат человека в этой среде. Авторы считают, что есть много случаев, когда обратная связь от человека позволяет сообщить цель агенту более интуитивно и быстро, чем если прописывать ее вручную.

20.01.2018Российские нейротехнологии покоряют мир – НейроЧат на CES-2018

Проект НейроЧат принял участие в выставке CES-2018 в рамках стенда Российского экспортного центра. Команда проекта рассказала о своих впечатлениях от крупнейшей в мире выставки электроники.

Подробнее
19.01.2018Обзор новостей нейротехнологий 12.01.18 - 19.01.18

Самые актуальные новости за неделю.

Подробнее
16.01.2018FunHack соберет разработчиков "потехи ради"

26-28 января сообщество Science Guide вместе с акселератором фановых стартапов FunCubator и OpenTalks.AIпроведут хакатон FunHack.

Подробнее
12.01.2018Обзор новостей нейротехнологий 06.01.18 - 12.01.18

Самые актуальные новости за неделю.

Подробнее
29.12.20173 февраля 2018 в Москве пройдет знаковое событие в сфере российских нейротехнологий - III Съезд Отраслевого союза «Нейронет»

Съезд традиционно проводится при участии представителей институтов развития, руководителей сегментов, членов Отраслевого союза «Нейронет», партнеров и участников сообщества «Нейронет».

Подробнее
29.12.2017Отраслевой союз «Нейронет» принял участие во встрече с представителями научного сообщества и администрацией Волгоградской области

22 декабря в Волгограде прошла встреча представителей Отраслевого союза «Нейронет» с руководством Волгоградского государственного технического Университета, а также с представителями региональных университетов, промышленных предприятий и руководителей администрации Волгоградской области. 

Подробнее
29.12.2017НейроЧат примет участие в международной выставке International Consumer Electronics Show

Выставка CES-2018 пройдет в Лас-Вегасе с 6 по 12 января 2018 года.

Подробнее
29.12.2017Обзор новостей нейротехнологий 26.12.17 - 29.12.17

Самые актуальные новости за неделю.

Подробнее
25.12.2017Обзор новостей нейротехнологий 15.12.17 - 25.12.17

Самые актуальные новости за неделю

Подробнее
22.12.2017В тренды YouTube попало видео НейроЧат, российского проекта для общения силой мысли.

Судя по всему, аудитория рунета начинает интересоваться не только рэп-баттлами и стендап шоу, но и развитием российской науки.

Подробнее
18.12.2017Команда МФТИ заняла первое место в соревновании чат-ботов на конференции NIPS

4–9 декабря в городе Лонг-Бич (Калифорния) состоялась крупнейшая конференция по машинному обучению NIPS, в которой приняли участие сотрудники лаборатории нейронных сетей и глубокого обучения МФТИ: Михаил БурцевВалентин МалыхМаксим КретовМарат ЗайнутдиновВарвара Логачева и Ольга Кайрова.

Подробнее
18.12.2017The conversational intelligence challenge finals

IMAGE

On Dec. 8 the Conference on Neural Information Processing Systems (NIPS) hosted the finals of Conversational Intelligence Challenge. The challenge was organized within the collaboration of AI research universities.

Подробнее
16.12.2017Insilico Medicine named to the global top 100 AI companies by CB Insights

Insilico Medicine Named to the 2018 AI 100, Highlighting Advancements in Deep Learning for Drug Discovery and Longevity Biotechnology

Подробнее
15.12.2017Обзор новостей нейротехнологий. 09.12.17 - 15.12.17

Самые актуальные новости за неделю.

Подробнее
15.12.2017НейроЧат на инновационном форуме Подмосковья

Компания НейроЧат приняла участие в Инновационном  форуме Подмосковья, прошедшем 13 декабря в Доме правительства Московской области. 

Подробнее
15.12.2017Компания ВИКИУМ прошла в финал шоу "Идея на миллион" на канале НТВ

Поздравляем наших партнеров с успешным прохождением в финал и желаем победы на дальнейших этапах битвы стартапов!

Подробнее
123242, г. Москва, Малый Конюшковский пер., д. 2, оф. 17