Главная страница > Новости > ОбЗОР НОВОСТЕЙ НЕЙРОТЕХНОЛОГИЙ 30.11.2020-06.12.2020

ОбЗОР НОВОСТЕЙ НЕЙРОТЕХНОЛОГИЙ 30.11.2020-06.12.2020

07 декабря 2020

Микроскоп нового типа позволяет видеть мозг сквозь неповрежденный череп

Группа исследователей из Центра молекулярной спектроскопии и динамики Института фундаментальных наук (IBS) в Сеуле, Южная Корея, совершила крупный прорыв в оптической визуализации глубоких тканей. Они разработали новый оптический микроскоп, который может получать изображения через неповрежденный череп мыши. В итоге ученым доступна микроскопическая карта нейронных сетей в тканях мозга без потери пространственного разрешения.

Схема микроскопа с отражающей матрицей, разработанного исследователями Центра молекулярной спектроскопии и динамики IBS

Новый микроскоп с отражающей матрицей и сочетает в себе возможности как аппаратного обеспечения, так и вычислительной адаптивной оптики (AO). Эта технология изначально разрабатывалась для наземной астрономии, чтобы корректировать оптических аберрации. Обычный конфокальный микроскоп измеряет сигнал отражения только в фокусной точке освещения и отбрасывает весь нефокусный свет.

Микроскоп с отражающей матрицей регистрирует все рассеянные фотоны в положениях, отличных от фокусной точки. Затем рассеянные фотоны корректируются с помощью вычислений с использованием нового алгоритма CLASS (замкнутое накопление однократного рассеяния. Этот алгоритм АО использует весь рассеянный свет для выборочного извлечения баллистического света и исправления оптических аберраций.

Инженеры Google описали ключевой изъян машинного обучения, приводящий к ошибкам ИИ

Специалисты Google сформулировали один из ключевых недостатков важнейшего компонента создания искусственного интеллекта и предложили понятие недостаточной детализации (underspecification) в машинном обучении. Авторы указывают на то, как в привычном процессе обучения нейросетевых алгоритмов слишком часто возникают неочевидные поначалу аномалии. В результате обученный таким образом алгоритм будет выдавать непредсказуемые или ошибочные выводы.

Во время обучения алгоритма на некоем наборе данных искусственный интеллект может сделать не совсем то обобщение, которое считают необходимым или эффективным его создатели. И сам по себе этот факт не является чем-то негативным, наоборот — в этом и есть «сила» нейросетей. Но, тренируя алгоритм, программисты не учитывают и далеко не всегда могут знать, что именно он выбрал в качестве дополнительных критериев. В итоге, классифицируя результаты как точные и неточные, человек обучает ИИ не совсем тому, чему хотел.

Пример того, как начальный набор данных без учета побочных факторов может выдать сильно отличающийся прогноз. Без понимания актуальной детализации в обучении, нельзя сказать, какой из них верный и какой из них выдаст алгоритм на реальной выборке в актуальном случае.

Результатом подобного обучения могут стать непредсказуемые ошибки. Их делают и люди, но они могут объяснить свои решения, а ИИ — нет. Таким образом, необходимо еще на стадии создания алгоритма и его обучения учитывать все больше параметров. В этот момент появляется второе ключевое ограничение: второстепенных параметров может быть огромное количество, и далеко не все из них будут так же важны для человека, как для нейросети. Фактически предсказать только по прогнозу модели, на основании каких второстепенных факторов была достигнута нужная точность, невозможно.

MIT представил систему для создания роботов любой формы

Исследователи из MIT представили способ, с помощью которого модель может автоматически сгенерировать роботизированный корпус. Она основывается на имеющихся деталях и рельефе местности, на котором будет работать устройство. Система также понимает, какие препятствия нужно преодолевать роботу. Несмотря на разнообразие задач, для которых используются роботы, их конструкции, как правило, все очень похожи по форме или дизайну.

Роботы часто имитируют тела людей, животных или транспортных средств, с колесами и гусеницами для перемещения. Но исследователи отмечают, что это не всегда самая полезная и эффективная форма. Поэтому единственные ограничения модели RoboGrammar — это практические, связанные со строительством роботов. Например, в одной из симуляций, где рельеф местности был шероховатым с большим количеством поворотов, дизайн робота больше похож на крокодила, при этом в симуляции устройство действительно хорошо справлялось с перемещениями.

Пока система не может создавать роботов без участия человека. Но исследователи отмечают, что это первый шаг на пути к тому, чтобы сделать устройства эффективнее. Следующий шаг команды — представить первые прототипы и испытать их в реальной жизни. Ученые добавили, что система может принести пользу как инженерам, так и разработчикам сгенерированных видеоигр, которым необходимо быстро и эффективно создавать многолюдные среды.

VR-шлем с фовеальной оптической системой получил лидар

Компания Varjo представила шлем смешанной реальности XR-3 с необычной оптической системой с двумя дисплеями у каждого глаза: один отображает изображение в большом поле зрения, а второй только в центральной части, но с гораздо большей плотностью пикселей. Кроме того, у устройства есть камеры и лидар, благодаря чему оно может работать как шлем дополненной реальности, выводя на экраны изображение с камер с наложенными виртуальными объектами.

Главная особенность шлема — необычная дисплейная система, она напоминает работу человеческого фовеального зрения: у нас широкое поле зрения, но четко мы видим лишь в небольшой центральной области. Перед каждым глазом есть два изображения с двух отдельных дисплеев. Большой дисплей прямо перед глазами имеет разрешение 2880 × 2720 пикселей и охватывает область зрения шириной 115 градусов. В центре своего поля зрения человек видит как изображение с большой матрицы, так и наложенное на него изображение шириной в 27 градусов и разрешением 1920 × 1920 пикселей.

Принцип работы двухдисплейной конструкции с отдельными дисплеями для периферийной и центральной областей зрения

Поскольку взгляд пользователя в шлеме постоянно меняет направление, область показа плотного изображения с небольшого дисплея необходимо постоянно менять. В новом устройстве это сделано благодаря тому, что сам дисплей находится внизу перпендикулярно направлению взгляда, а над ним есть подвижная полупрозрачная пластина, управляющая тем, куда отражается изображение с дисплея. Информацию о взгляде шлем получает с айтрекеров внутри корпуса, которые работают с частотой 200 герц.

Чем своевременнее подкрепление, тем эффективнее нейрообратная связь

Ученые НИУ ВШЭ впервые в мире поставили эксперимент, в котором исследовали влияние задержки сигнала подкрепления на эффективность тренировки при нейрообратной связи (НОС). Они экспериментально доказали, что сокращение задержки в предъявлении сигнала подкрепления позволяет достоверно повысить эффективность нейрообратной связи. Это открывает новые перспективы по использованию НОС для саморегуляции, снижения тревожности и лечения неврологических расстройств.

Для обеспечения доступа в область малых задержек учеными был разработан новый математический метод фильтрации ЭЭГ сигнала, дающий возможность быстрой оценки параметров ритмической активности мозга. Этот метод позволил мозгу воспринимать искусственно созданную петлю обратной связи как часть собственной нейронной сети. Это качественный скачок, который открывает новую эру в исследовании парадигмы нейрообратной связи.

Ученые смогли поставить эксперимент, где исследуется влияние задержки сигнала подкрепления на эффективность тренировки в парадигме нейрообратной связи. Оказалось, что испытуемые из группы с минимальной задержкой за меньшее число тренировок достигали определенной мощности альфа-ритма по сравнению с испытуемыми из других групп. Более того, только у испытуемых из группы с минимальной задержкой наблюдался сохранившийся прирост мощности ритма.