神经科学家使用深度学习模型来模拟大脑地形

大脑中处理视觉信息的部分——颞下(IT)皮层——受损可能是毁灭性的，尤其是对成年人而言。受影响的人可能会失去阅读能力(一种称为失读症的疾病)或识别面孔(面容失认症)或物体(失认症)的能力，目前医生无能为力。

更准确的视觉系统模型可以帮助神经科学家和临床医生为这些疾病开发更好的治疗方法。卡内基梅隆大学 (CMU) 的研究人员开发了一种计算模型，使他们能够模拟 IT 的空间组织或地形，并更多地了解相邻的脑组织簇是如何组织和相互作用的。这也可以帮助他们了解该区域的损坏如何影响识别面部、物体和场景的能力。

研究人员——Nicholas Blauch，博士。神经计算项目的学生和他的顾问 David C. Plaut 和 Marlene Behrmann，他们都是 CMU 心理学系和神经科学研究所的教授，在 1 月 18 日的美国国家科学院院刊上描述了该模型科学。

Blauch 说，这篇论文可能会帮助认知神经科学家回答关于大脑不同部分如何协同工作的长期问题。

“长期以来，我们一直在想，我们是否应该将大脑中响应面部的区域网络视为一个单独的实体，仅用于识别面部，或者我们是否应该将其视为更广泛的神经架构的一部分物体识别，”Blauch 说。“我们正在尝试使用一个假设这种更简单、通用的组织的计算模型来解决这个问题，并看看这个模型是否可以解释我们通过学习执行任务在大脑中看到的专业化。”

为此，研究人员开发了一种深度学习模型，该模型具有生物大脑连接的附加特征，假设该模型可以揭示 IT 的空间组织或地形。

“大脑没有无限的容量，”Blauch 解释说。“它需要尝试将用于连接大脑不同区域的白质数量保持在有效交流所需的最低限度，这样就有更多灰质或神经元的空间来计算信息。”

Blauch 还解释说，大脑区域之间的大多数连接来自兴奋性神经元，而大脑区域内的连接由兴奋性和抑制性神经元介导。在大多数深度学习模型中，人工神经元可以单独激发和抑制其他神经元。

遵循这些原则，研究人员建立了一个基本的网络架构和一个成本函数，强调学习识别图像，同时试图保持连接简短。科学家们训练了被称为交互式地形网络的模型，以识别来自不同领域的图像：面部、物体和场景。一旦模型学会识别这些图像，他们发现它为每个域产生了选择性的空间区域，如大脑中所见。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！