神经科学家使用深度学习模型来模拟大脑的地形
损坏的一部分大脑处理视觉资讯inferotemporal (IT)皮层将会是毁灭性的,特别是对于成年人。这些影响可能失去阅读的能力(一个障碍被称为失读症),或识别人脸(面孔失认症)或对象(失认症),和目前医生能做的事情不多。
更准确的模型的视觉系统可以帮助神经科学家和临床医生制定这些条件更好的治疗方法。卡耐基梅隆大学的研究人员已经开发出一种计算模型让它们来模拟的空间组织和地形,了解周边的集群大脑组织组织和交互。这也可以帮助他们理解如何损害该地区影响面孔识别能力,对象和场景。
的researchers-Nicholas Blauch,博士生在神经计算程序,和他的顾问David c . Plaut和玛琳代表,两个教授的心理学和神经科学研究所CMU-described模型在1月18日出版的美国国家科学院院刊》上。
Blauch说本文可以帮助认知神经科学家回答长期以来的问题关于大脑的不同部分如何协同工作。
“我们一直想知道很长一段时间如果我们应该思考的大脑区域网络的响应面作为一个单独的实体识别人脸,或者我们应该把它作为一个更广泛的神经结构的一部分对象识别”,Blauch说。“我们试图在这个问题使用一个计算模型假定这简单,一般的组织,然后看到这个模型是否能解释我们看到的专业化在大脑中通过学习完成任务。”
为此,研究人员开发了一个深度学习模型具有附加功能的生物大脑连接,假设,模型可以揭示空间组织,或地形。
“大脑没有无限的体积,“Blauch解释道。“这需要尽量保持白色的数量使用连接大脑的不同区域最低需要有效的沟通,所以有更多的灰色空间物质或神经元计算信息。”
Blauch还解释说,大多数地区之间的连接的大脑兴奋性神经元,而连接在一个大脑区域都由兴奋和抑制性神经元。在大多数深度学习模型,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体系结构和一个成本函数,强调学习识别图像,同时努力保持连接短。科学家们训练模型,称为交互式网络地形,认识到图像不同的领域:面孔,对象和场景。一旦模型已经学会识别这些图片,他们发现它生产了选择性对每个域空间的区域,如大脑。
接下来,他们模拟病变,或脑损伤。当他们介绍病变为人脸识别模型中的区域选择性,他们看到一个大赤字模型识别面孔的能力。他们有相同的结果与域对象和场景。他们还发现并非完全特定的损害。
“有一些残留损害到其他领域,“Blauch说。“这是小的首选域相比,但它告诉我们,这些网络中的专业化可以坚强但也有些复杂。,结合整个系统使用的一般原则,暗示它可能是更好的与内部专业化看作一个系统,而不是一个独立的模块集合。”
一般,灵活的系统可能会更有能力重组后的伤害,就像在孩子很大程度上恢复视功能损伤后,与成人相似的伤害。
研究人员计划扩大模型做进一步调查关于视觉系统的问题,包括组织之间的相互作用,大脑的其他区域。
进一步探索
