Обзор новостей нейротехнологий 01.12.17 - 08.12.17

Поздравляем наших коллег из Саратовского государственного Универсистета с публикацией результатов исследования в издательстве Frontiers.

Ультразвук фокусирует свет внутри ткани мозга

“Deep tissue optical focusing and optogenetic modulation with time-reversed ultrasonically encoded light” | Science Advances | doi: 10.1126/sciadv.aao5520

  оптогенетика

Биоинженеры из Калифорнийского технологического института применили метод фокусировки пучка света в живой ткани мозга с помощью ультразвука. Такая техника позволяет лучу проникнуть на большую глубину, нежели при использовании лазерного микроскопа. Ученые продемонстрировали практическое применение метода, стимулируя оптогенетически и неинвазивно живые нейроны в образце префронтальной коры мозга мыши.

Свет в биологических тканях быстро рассеивается. Даже луч лазера на глубине 1 мм расплывается в пятно фотонов со случайными траекториями. Если нужно прицельно стимулировать клетки в нижних слоях коры головного мозга, туда вводят оптоволокно. Авторы показали, что можно пойти другим путем и направить фотоны в одну точку пространства внутри ткани, модулируя рассеянный свет излучением от ультразвукового преобразователя.

Схема фокусировки рассеянного света с помощью ультразвука. Одновременно электрод измеряет активность возбуждаемых клеток, а в микроскоп за ней наблюдают. Вертикальный пучок дает общее освещение образца, луч под углом 45 ° используют для стимуляции.

Синхронизированная по времени ультразвуковая (TRUE) фокусировка -- это метод, где обращение волнового фронта вызвано ультразвуковым излучением. Так удается создать оптический фокус на глубинах свыше оптического предела диффузии с пространственным разрешением ультразвука порядка 30 микрометров. При этом TRUE фокусировка позволяет свободно перемещать фокус внутри ткани для нацеливания на интересующие области.

Верхний ряд -- рассеяние света на разных глубинах вплоть до 2 мм. Нижний ряд -- TRUE фокусировка.

Авторы продемонстрировали подход, взяв срез мозга мыши толщиной 2 мм и подав в выбранную точку луч зеленого лазера и ультразвук. Образец был погружен в питательный раствор, поэтому клетки оставались живы, их стимулировали методом оптогенетики, одновременно ведя запись их активности методом пэтч-кламп. По словам авторов, TRUE фокусировка света увеличивает пространственное разрешение воздействия в четыре раза по сравнению с обычной фокусировкой.

Переворот куба Неккера виден на ЭЭГ

“Classifying the Perceptual Interpretations of a Bistable Image Using EEG and Artificial Neural Networks” | Front. Neurosci. | doi: 10.3389/fnins.2017.00674

    трекинг состояний

Сотрудники Саратовского государственного технического университета им. Гагарина Ю.А. (СГТУ) применили машинное обучение для анализа электроэнцефалограммы, записанной во время визуального восприятия человеком бистабильных изображений. Классический пример такого изображения -- куб Неккера. Авторы считают, что их подход можно использовать для изучения и классификации различных состояний мозга, в том числе при принятии решений. 

Когда человек смотрит на куб Неккера, он наблюдает спонтанные перевороты объекта: одна объемная проекция заменяется другой. Как показали авторы, по записям ЭЭГ можно отличить, какую из проекций человек видит в данный момент. Для исследований куб Неккера хорош тем, что его двусмысленность можно контролировать, изменяя параметры куба, такие как угол смещения между плоскостями, толщина контуров, заполнение сторон цветом или оттенком.

Фрагмент типичных записей ЭЭГ, связанных с двумя разными интерпретациями ориентации куба Неккера спустя секунду после предъявления картинки.

Для анализа электроэнцефалограммы использовали многослойный перцептрон -- искусственную нейронную сеть с несколькими слоями нейронов, где выходы каждого слоя служат входами для другого. Нейронная сеть научилась с 95% точностью различать ЭЭГ, вызванные разными ориентациями куба. Кроме того, обучившись на одном человеке, она справилась с классификацией ЭЭГ других людей. Вероятно, в активности мозга есть универсальные паттерны, общие для всех испытуемых, связанные с восприятием бистабильных изображений.

Согласно принятой гипотезе, переключения куба вызваны спонтанной нейронной активностью. Простой метод классификации неустойчивых состояний мозга во время принятия решений и визуального восприятия будет значим как для медицины, так и для развития новых коммуникаций, компьютерных технологий и человеко-машинных интерфейсов.

Искусственные нейроны с дендритами для глубокого обучения

“Towards deep learning with segregated dendrites” | eLife | doi: 10.7554/eLife.22901

 искусственный интеллект

Программисты из Университета Торонто, Канадского института перспективных исследований и компании DeepMind предложили новую структуру искусственного нейрона для глубокого обучения сетей. Они заимствовали эту структуру из биологии, теперь она больше напоминает живой нейрон, и заодно авторы разобрались с тем, как могло бы работать обратное распространение ошибки в мозге.

Несмотря на явные успехи алгоритмов глубокого обучения, нейробиологи весьма скептичны насчет того, что искусственные сети отражают реальные процессы, идущие в нервной системе. Они считают, что лежащий в основе глубокого обучения алгоритм обратного распространения ошибки (backpropagation) биологически неправдоподобен. Искусственный нейрон всегда получает обратную связь, то есть “ошибка” на выходе может быть возвращена в любой узел сети, так и идет обучение.

Иллюстрация проблемы присвоения коэффициентов доверия. В мозге совсем иная структура связей (А), нежели в искусственной сети глубокого обучения (В).

Живые нейроны получают информацию лишь от тех нейронов, с которыми они имеют контакты. И ошибка возвращается не на те синаптические связи, где она изначально возникла. Эта проблема настолько важна для суждений о связи мышления и искусственного интеллекта, что она получила название “проблема присвоения коэффициентов доверия”. Авторы предложили решение, исходя из структуры пирамидального нейрона, наиболее распространенного типа клеток в коре мозга.

Слева: пирамидальные нейроны первичной зрительной коры мыши. Справа: модель искусственных нейронов.

Они построили сеть из искусственных древовидных нейронов, имеющих два типа входов и выходов, “аналогичных” аксонам и дендритам. Разветвленная структура позволяет отдельно сохранять сигналы ошибки на одном конце нейрона и сенсорный вход на другом. Сеть легче распознавала рукописные цифры, когда в ней было много слоев. Так авторы показали, что искусственные нейроны “биологического” типа могут обеспечить глубокое обучение и что эволюция, возможно, создала древовидную форму клеток, чтобы поддерживать этот процесс.

Робот с нейросетью и визуальным воображением

“Deep Robotic Learning using Visual Imagination and Meta-Learning” | Neural Information Processing Systems | Demo

    искусственный интеллект

Робототехники из Калифорнийского университета в Беркли разработали технологию обучения, которая позволяет роботам представить будущее своих действий. Так роботы учатся понимать, как манипулировать объектами, с которыми они никогда не сталкивались. Технологию только что  представили на ежегодной конференции по нейровычислениям и машинному обучению NIPS 2017.

Робот Vestri учится, хватая игрушки и перенося их с места на место.

Используя такое обучение, робот может предсказать, что будет видеть его камера, если он выполнит определенную последовательность движений. Воображение робота пока сравнительно примитивно, прогноз дается всего на несколько секунд вперед, но этого уже хватает, чтобы робот разобрался, как ему перемещать предметы на столе, не сбивая другие предметы.

Причем робот учится выполнять эти задачи без помощи людей и без предварительных знаний о физике объектов и окружающей среды. Визуальное воображение полностью создается с нуля, без учителя (unsupervised learning), за счет самостоятельного изучения свойств предметов в ходе манипуляций с ними. Затем робот строит прогностическую модель мира и может использовать ее для управления новыми объектами, которых он не видел раньше.

Робот использует визуальное воображение, то есть модель прогноза последовательности кадров, для манипуляций с предметами.

Технология глубокого обучения робота основана на сверточном рекуррентном предсказании видео или динамическом нейрональном переносе (DNA). Модели на основе DNA прогнозируют, как пиксели изображения будут перемещаться из одного кадра в другой на основе действий робота. Робот слегка подталкивает предметы на столе, а затем использует прогноз для выбора движений, которые переместят нужный предмет в нужное место. Примерно так же познают мир дети, играя с игрушками, только роботы учатся намного быстрее.