Нейрондық деректер туралы ғылым: қалай және неге

Нейрондарда деректер туралы ғылым туралы қарапайым нұсқаулық

Деректер ғылымымен айналысатын ми. Несие: зат есім жобасынан Мэтт Вассердің миы

Тыныштықпен, невропатологтың жаңа түрі қалыптасуда. Көптеген теоретиктер қатарында нейрон-ғалымдардың топтары пайда болды, олар нейрондық белсенділік туралы, жүздеген нейрондардың таралуы туралы мәліметтермен айналысады. Деректерді талдау әдістерін құру емес, бұның бәрі де жасайды. Бұл деректерді жинау емес, ол үшін басқа да күрделі, шеберлік жиынтығы қажет. Бірақ нейробиологтар ми туралы ғылыми сұрақтарға жауап беру үшін осы мәліметтердің заманауи есептеу әдістерін қолданады. Нейрондық деректер туралы ғылым пайда болды.

Мен олардың бірімін, нейрондық деректерді зерттейтін ғалымдардың класы. Кездейсоқ. Менің білуімше, барлық ғылыми салалар қалай пайда болады: кездейсоқ. Зерттеушілер мұрындарын ұстайды, жаңа нәрселер жасай бастайды және кенеттен ас үйде кештерде олардың кішкентай тобы кездеседі (өйткені сусындар қайда, тоңазытқышта - ғалымдар ақылды). Міне, нейрондық деректер туралы кішкене манифест: оның пайда болу себебі және оны қалай жасауға болатынымыз туралы.

Неліктен ғылымның барлық салаларымен бірдей, олар мәліметтер ғылымын таратады: мәліметтердің мөлшері қол жетімді емес. Көптеген нейрондарды тіркеудің ғылымында бұл топырақтың ғылыми негіздемесі бар. Ми нейрондар арасында хабарлама жіберу арқылы жұмыс істейді. Бұл хабарламалардың көпшілігі электр энергиясының ұсақ импульсі түрінде болады: шыбықтар, біз оларды атаймыз. Сондықтан, біз мидың қалай жұмыс істейтінін (және олар жұмыс істемейтінін) білгіміз келсе, біз барлық нейрондар арасында өтетін барлық хабарларды жинауымыз керек сияқты. Бұл дегеніміз, мүмкіндігінше көп нейроннан қанша шыбық жазуды білдіреді.

Нәрестенің зебрафиялық миында шамамен 130 000 нейрон бар және олардың арасында кем дегенде 1 миллион байланыс бар; мылжың миында миллионға жуық нейрон бар. Мұның қалай тез қолыңыздан кететінін көре аласыз. Дәл қазір біз бір жерде ондағандан бірнеше жүзге дейінгі нейрондарды бір уақытта стандартты жиынтықпен жазып аламыз. Шектеулерде бірнеше мың, тіпті бірнеше мыңдаған адамдар жазады (бұл жазбалар нейрондардың белсенділігін нейрондардың өз шыбықтарын жіберуге қарағанда баяу қарқынмен түсіреді).

Біз бұл ақылсыздық жүйелерін нейрология деп атаймыз: нейрондар, нейрондарды зерттеуге арналған; бір уақытта бірнеше нейроннан жазуға батылы бар жүйелер. Деректер ақылға қонымды күрделі. Бізде бір мезгілде жазылған ондаған мыңдаған уақыттық қатарлар, бір нейроннан шыққан барлық оқиғалардың ағымы (нақты шыбықтар немесе олардың жанама өлшемі). Анықтама бойынша олар тұрақты емес, олардың статистикасы уақыт өте келе өзгереді. Олардың белсенділік деңгейлері монах тәрізді тыныштықтан бастап «жел туннеліндегі барабан жинағына» дейінгі көптеген деңгейлер бойынша таралды. Олардың белсенділік формалары сағат тәрізді жүйеліліктен бастап, кекіру мен қыңырлылыққа дейін, мания мен шаршаудың ентігі арасында ауысып тұрады.

Енді сіз нейрондарды тіркеген жануардың мінез-құлқына үйленіңіз. Бұл мінез-құлық таңдаудың жүздеген сынақтары болып табылады; немесе қолдың қозғалысы; немесе қоршаған орта арқылы өтетін маршруттар. Немесе сезім мүшелерінің қозғалысы немесе бұлшықеттің бүкіл жағдайы. Бірнеше жануарға қайталаңыз. Мидың бірнеше аймақтары болуы мүмкін. Кейде бүтін ми.

Бізде шындық жоқ. Дұрыс жауап жоқ; мінез-құлықты қоспағанда, деректерге арналған оқу жапсырмалары жоқ. Біз мидың мінез-құлықты қалай кодтайтынын білмейміз. Осылайша, біз мінез-құлық белгілерімен нәрселер жасай аламыз, бірақ бұлар жауап бола бермейтіндігін әрдайым білеміз. Олар «жауапқа» жауап береді.

Нейробиология жүйелері - бұл нейробиология туралы білімін өздерінің ноу-хауына деректерді талдау үшін үйлене алатын адамдар үшін бай ойын алаңы. Нейрондық деректер туралы ғылым пайда болады.

Бұл қалай немесе орындалуы мүмкін бе? Мұнда өрескел нұсқаулық бар. Нейрондық деректер бойынша ғалымның пікірі - бұл нейробиология жүйелерінен мәліметтерге ғылыми сұрақтар қою; сұрақ қою: барлық осы нейрондар өз жұмыстарын орындау үшін қалай жұмыс істейді?

Бұл сұраққа жауап берудің үш әдісі бар. Бұл үш әдісті біз машинада оқытудың проблемалары мен нейробиология жүйелеріндегі есептеу қиындықтары арасындағы сәйкестікке қарап көре аламыз. Алдымен жұмыс істеу керек нәрседен бастайық.

Бізде уақыт өте келе жинаған n нейрондары бар. Оларды X деп атайтын матрицаға бөлеміз - нейрондар мен бағандардың саны мен уақыт нүктелері сияқты жолдар (біз уақыт нүктесі қанша уақытқа созылады: біз мүмкін) қысқаша етіп жазыңыз және әр жазбаға шпагат үшін 1, ал басқаша 0 жазыңыз. Немесе біз оны ұзын қылып шығарамыз, және сол уақыт ішінде әрбір жазба шыбықтардың санын жазады). Осы уақыт ішінде әлемде заттар болып жатты, соның ішінде дененің істегені де. Осының бәрін біз S деп атайтын матрицаға бөлейік - біз бағынатын әлемдегі көптеген бағандар, және біз осы мүмкіндіктер үшін жазған уақыт нүктелері сияқты жолдар.

Әдеттегідей, машиналық оқыту әлемнің жай-күйі және қол жетімді мәліметтер туралы үш сыныпты құруды қамтиды: генеративті, дискриминациялық және тығыздық. Бұл кесте әр сынып нейробиология жүйесіндегі негізгі сұраққа қалай сәйкес келетінін көрсетеді:

1 / Тығыздық модельдері P (X): шыбықтарда құрылым бар ма? Бұлыңғыр. Бірақ іс жүзінде бұл бір нәрсенің (есірткі, мінез-құлық, ұйқы) миға әсерін білгіміз келетін нейробиология саласындағы үлкен зерттеулердің кілті; біз сұрақ қоямыз: нейрондық құрылым қалай өзгерді?

Бірнеше нейронның жазылуымен біз бұған үш жолмен жауап бере аламыз.

Біріншіден, біз әрбір нейронның жылдамдықты пойызын, Х бағанының статикасын өлшеу арқылы анықтай аламыз. Сосын сұраңыз: осы статистика үшін P (X) моделі қандай? Нейронның «түрлерін» табу үшін біз осы статистиканы кластерлей аламыз; немесе модельдерді оларды біріккен таратуға сәйкес келтіріңіз. Қалай болғанда да, бізде жеке нейрондардың түйіршіктелгендігінде деректер құрылымының бірнеше моделі бар.

Екіншіден, біз X қатарларын - бүкіл популяцияның моменттік-белсенділік векторларын қолдана отырып, бүкіл популяция қызметінің генеративті модельдерін жасай аламыз. Мұндай модельдер, әдетте, X құрылымын бірнеше шектеулерден қалпына келтіруге болатындығын түсінуге бағытталған, олар қанша вектордың қанша шпикке бөлінгенін; немесе нейрондар арасындағы жұптық корреляция; немесе олардың комбинациясы. Әсіресе, егер бұл популяцияның қызметінде ерекше тұздық болса, тәуелсіз немесе жалықпайтын қарапайым нейрондар жиынтығынан гөрі пайда болған жағдайда, оны жасау үшін пайдалы.

Үшіншіден, біз X-дегі нейрондық белсенділік - бұл өлшемдері D << n болатын төмен өлшемді кеңістікті кең көлемде жүзеге асыру деген ұстанымды аламыз. Әдетте біз мынаны айтамыз: Х-тегі кейбір нейрондар өзара байланысқан, сондықтан популяцияны түсіну үшін Х-тің бәрін пайдаланудың қажеті жоқ - олардың орнына оларды қарапайым көрініспен алмастыра аламыз. Уақыт қатарларын тікелей кластерлеуге болады, осылайша X-тен X_N-ге дейінгі N кіші матрицалардың жиынтығына бөлінеді, олардың әрқайсысының ішінде (салыстырмалы түрде) берік байланыстары бар, сондықтан оларды өз бетімен өңдеуге болады. Немесе біз негізгі компоненттерді талдау сияқты өлшемдерді азайту тәсілін қолдана аламыз, олардың әрқайсысы уақыт өте келе популяция белсенділігінің өзгеруінің бір доминантты түрін сипаттайтын уақыт қатарларының кішігірім жиынтығын аламыз.

Біз бұдан көп нәрсе жасай аламыз. Жоғарыда айтылғандай, нейрондардың ыдырауы үшін өлшемді азайтуды қолданғымыз келеді - біз X бағанына қысқартуды қолданамыз дегенмен, уақытты нейтрондық белсенділіктің артықтығын сұрамай, X жолдарына өлшемді азайту арқылы оңай қысқарта аламыз. , бұл уақыттың әртүрлі сәттері нейрондық белсенділіктің ұқсас белгілеріне ие ме деген сұраққа жауап береді. Егер олардың аз ғана бөлігі болса, онда жазылған нейрондардың динамикасы өте қарапайым.

Біз мұнда да динамикалық жүйелік тәсілдерді қолдана аламыз. Уақыт өте келе X модельдерінің өзгеруіне қарапайым модельдерді сәйкестендіруге тырысамыз (мысалы, бір жолдан екіншісіне картаға түсіру) және X моделіндегі динамиканың түрлерін сандық бағалау үшін қолданыңыз - «attroror», «separatrix», «termin» ер-тоқым »,« шұңқырлы бифуркация »және« Арсеналдың құлдырауы »(олардың тек біреуі нақты нәрсе емес). Дәл солай орнатылған динамикалық модельдер барлық тығыздықты модельдер (P) болады, өйткені олар мәліметтер құрылымын сипаттайды.

Тозақ, біз нейрондық тізбектің барлық динамикалық моделін, әр нейронды сипаттайтын дифференциалдық теңдеулерді Х-ге сынап көре аламыз, сондықтан біздің моделіміз әр түрлі бастапқы жағдайлардан өткен сайын іріктеліп алынады. .

Тығыздық модельдерінің көмегімен біз оларды әртүрлі күйлерде (S1, S2,…, Sm) жазып алған нейрондық белсенділікке жеке-жеке сәйкестендіре аламыз және келесі сұрақтарға жауап береміз: нейрондар популяциясының құрылымы ұйқы мен ұйқы арасында қалай өзгереді? ояту? Немесе жануардың дамуы кезінде? Немесе тапсырманы оқу барысында (S1 1-ші сынақ, және S2-2-ші сынақ; немесе S1-1-сессия және S2-сессиясы немесе олардың көптеген комбинациясы). Біз сондай-ақ сұрақ қоюымызға болады: нейронның белсенділігі неше өлшемді құрайды? Кортекстің әртүрлі аймақтары арасында өлшемдер әртүрлі ма? Кілттерімді біреу көрді ме?

2 / Г (X | S) генеративті модельдері: өршуіне не себеп? Енді сөйлесіп жатырмыз. Сызықты емес сызықтық модельдер немесе жалпыланған сызықтық модельдер сияқты заттар. Әдетте бұл модельдер бір нейрондарға қолданылады, Х әр бағанына. Олардың көмегімен біз S әлемінің күйін кіріс моделі ретінде қолданамыз және нейронның белсенділігіне сәйкес келетін нейрондық белсенділік сериясын шығарамыз. Содан кейін нейронның белсенділігін жоғарылату кезінде S-нің әр қасиетіне берілген салмақты тексере отырып, біз нейронның қандай зиян келтіретінін анықтай аламыз.

Біз «әлемнің жағдайы» деп санайтын икемділігі бар үлгіні таңдағымыз келуі мүмкін. Біз нейронның өзіндік әрекетін ерекшелік ретінде қоса аламыз және оның өткендегі іс-әрекеттеріне мән беретіндігін көре аламыз. Нейронның кейбір түрлері үшін жауап иә. Жарылыс нейроннан көп нәрсені алуы мүмкін, сондықтан ол қайтадан оралмас бұрын, тынығу үшін жатуы керек. Біз сонымен бірге кеңірек ойлана аламыз және халықтың қалған бөлігін - X-ді - нейрон жанған кезде S әлемінің күйіне қосамыз. Ақыр соңында, нейрондар кейде бір-бірінің атуына әсер етеді, немесе мен сенемін. Сонымен, визуалды кортекстегі нейронның реакциясы тек сыртқы әлемдегі бағыттың әсерінен ғана емес, сонымен бірге оған қосылған 10000 кортикальды нейронның да атқаратын қызметіне байланысты болуы мүмкін. Содан кейін біз популяциядағы ең ықпалды нейрондар туралы білеміз.

Біз бұл генеративті модельдерді жалғыз нейрондарға қолданудың қажеті жоқ. Біз оларды тығыздық модельдерімізге бірдей қолдана аламыз; біз әр кластердің немесе өлшемдердің әлем туралы не кодтайтынын сұрай аламыз. Немесе, кейбір адамдар сияқты, біз тығыздық моделін әлемнің күйі ретінде қолдана аламыз және сол модельдің төменгі нейрондық ерекшеліктері қандай зиян келтіреді деп сұраймыз.

Осы генеративті модельдер арқылы біз жауап бере алатын сұрақтар айқын: нейронның реакциясын алдын-ала болжайтын қандай ерекшеліктер? Бір нәрсені таңдауға болатын нейрондар бар ма? Нейрондар бір-біріне қалай әсер етеді?

3 / Р (S | X) дискриминациялық модельдері: шыбықтар қандай ақпаратты тасымалдайды? Бұл нейробиология жүйесіндегі негізгі сұрақ, өйткені бұл біздің тіркелген популяциямыздан төмен орналасқан барлық нейрондардың алдында тұрған міндет - біз қабылдаған және біздің матрицамызға енгізілген нейрондардан алынған барлық нейрондар кездеседі. олар тек шыбықтарға негізделген сыртқы әлем туралы білуі керек.

Мұнда біз стандартты жіктеуіштерді қолдана аламыз, олар кірістерді белгіленген белгілерге орналастырады. Біз X жолдарын кіріс ретінде, әр популяция әрекетінің суретін қолдана аламыз және S. сәйкес қатарларындағы біреуін, бірнешеуін немесе барлық мүмкіндіктерін болжауға тырысамыз. Мүмкін біршама уақыт кідірісімен X_t жолын қолданамыз егер сіз миға кіретін популяция кодының күйі туралы білгіміз келсе, S_t-n күйін алдын-ала анықтаңыз; немесе біз X_t жолын S_t + n күйін болжау үшін қолдана аламыз, бұл болашақта n-қадам болатын, егер біз популяцияның әлемге қандай да бір әсер етуін қалай анықтайтынымызды білгіміз келсе. Мотор кортексіндегі іс-қимыл сияқты, мен қазір әр әріпті тергенге дейін.

Қалай болғанда да, біз X қатарларын аламыз (бірақ бәрін емес, біз асыра бермейміз) және классификаторды S-дің сәйкес бөлігіне ең жақсы түсіруді табуға үйретеміз. Содан кейін классификаторды оның қаншалықты жақсы болатынына тексереміз. Х-дан қалған S-ді алдын-ала болжаңыз, егер сізде сәттілік болмаса, сіздің X және S-дің ұзақтығы сонша, оларды пойызға, сынаққа және валидацияға бөлуге болады. Соңғысын құлыпталған қорапта сақтаңыз.

Біз, әрине, өзіміз қалағандай қуатты классификаторды қолдана аламыз. Логистикалық регрессиядан бастап, Bayesian тәсілдері арқылы 23 қабатты нейрондық желіні пайдалануға дейін. Бұл көбінесе жауап бергіңіз келмейтін нәрсеге және сіз түсінуге болатын күштің арасындағы айырмашылыққа байланысты. Менің басқа жазбаларым осы сауда-саттықтың қай жағын ұнататынымды анық көрсетті. Бірақ мен қателескеніме қуаныштымын.

Нейрондардың кодтау модельдері өте мағыналы, бірақ кейбір ескі және терең философиялық дау-дамайларға назар аударыңыз. Дискриминациялық модельді қолданып кодтауды сынау төменгі ағымдағы бір нәрсе нейрондық белсенділіктен S кодын шешуге тырысады дегенді білдіреді. Бұл жерде екі проблема бар. Нейрондар ыдырамайды; нейрондар өзекшелерді енгізу ретінде қабылдайды және өздерінің шыбықтарын шығарады. Керісінше, олар бір шыбықтың жиынтығынан басқа шыбықтың жиынтығына қайта кодтайды: мүмкін аз немесе баяу; мүмкін көп немесе тезірек; тұрақты ағыннан тербеліске өтуі мүмкін. Сондықтан дискриминациялық модельдер нейрондарымыз қандай кодтарды кодтайтындығын дәлірек сұрайды. Бірақ егер біз осы көзқараспен қарасақ та, тереңірек проблема бар.

Өте аз ерекшеліктерді қоспағанда, «төмендегі» нейрон сияқты нәрсе жоқ. Біз X-де жазған нейрондар ішкі сымның бір бөлігі, шексіз ілмектерге толы; олардың шығысы жеке енгізуге әсер етеді. Ең жаманы, Х-тегі нейрондардың кейбіреулері басқаларынан төмен орналасқан: олардың кейбіреулері басқаларына тікелей енеді. Себебі, жоғарыда айтылғандай, нейрондар бір-біріне әсер етеді.

Нейрондық ғылым туралы өрескел, мүмкін пайдалы манифест. Ол толық емес; жоғарыда бір нәрсе дұрыс емес екендігі күмәнсіз (ашық мекен-жайдағы жауаптар әдеттегі мекен-жайға). Жоғарыда аталған қызығушылықтары бірдей зертханалар тобының жұмысын синтездеу әрекеті бар, бірақ мидың қалай жұмыс істейтіні туралы терең сұрақтарға жауап беру үшін осы типтегі модельдерді нейрондық мәліметтердің үлкен жиынтығында қолдануға болатын жағдай. Олардың көпшілігі деректер лабораториясы, өз сұрақтарына жауап беру үшін эксперименттік деректерді талдайтын топтар; бірнеше атау - Джонатан жастық; Христиан Макхенс; Конрад патшалығы; Канака Раджан; Джон Каннингем; Adrienne Fairhall; Филип Беренс; Cian O'Donnell; Il Memming Park; Якоб Маке; Газпер Ткачик; Оливер Марр. У, мен. Басқалары - деректерді ғылыми тұрғыдан дамыған тәжірибелік зертханалар: Анн Черчилл; Марк Черчилль; Николь Руст; Кришна Шеной; Карлос Броди; көптеген басқа адамдар атамағаным үшін кешірім сұраймын

Мұндай жұмыстарды құптайтын конференциялар бар, тіпті жоқ. Нейрондық ғылым туралы журнал жүруде. Бір нәрсе тұрғызуда. Кіріңіз, деректердің сүйкімділігі *.

* иә, мен бұл әзіл-қалжыңмен жұмыс жасау үшін деректерге жеке-жеке сілтеме жасауым керек еді. Мұны түсіндіру үшін осы сілтемені жазып отырғаным, ғалымдардың күткен нейрондық мәліметтерге мұқият назар аударуға мүмкіндік береді.

Тағы қалайсыз ба? Бізді Spike-де бақылаңыз

Twitter: @markdhumphries