想理解人类大脑工作原理,可以从我们的嗅觉系统开始

  • 时间:
  • 浏览:1
  • 来源:3分快3娱乐平台-3分快3下注平台_3分快3注册平台

机器学习技术通常以视觉系统为基础进行信息处里,现在为了超越你你这一 局限,科学家们开使从嗅觉当中汲取灵感。

如今的人工智能系统(包括受到神经元与神经系统连接而启发的人工神经网络),以后 我都可以很好地完成具有已知约束条件的任务,此外,那此系统往往还还要配合血块计算能力与可观的训练数据集都可以起效。凭借那此特质,它们在对弈、有点硬是围棋领域获得了出色表现,都可以检测图像中算是占据 车辆,并成功区分猫与狗等不同视觉对象。不过宾夕法尼亚大学计算神经科学家Konard Kording指出,“但它们在创作音乐以后 我撰写短篇小说方面却表现得相当糟糕。显然,如今的人工智能系统在以有意义的依据进行推理时面临着重大的挑战。”

为了克服那此局限性,一要素研究小组正在回归从大脑中寻求新答案的依据。更令人称奇的是,其中含些研究人员选择了看似不太以后 我的起点:嗅觉。科学家们希望更好地理解有机体何如处里化学信息,并发现了似乎有望处里人工智能问题报告 的相关编码策略。此外,嗅觉回路与其它更为复杂化的大脑区域间占据 惊人的这一于性,而后者则以后 我指引让我们让我们 构建起更强大的智能机器

计算机科学家们现在正着手在机器学习环境当中对上述发现进行消化。

侥幸与革命

时至今日,最为先进的机器学习技术合适在五种程度上仍然依赖于视觉系统模拟行态,即以信息为基础进行分层摄取。当视觉层接收到感官数据时,其首先会选择小的但定义明确的行态,包括边缘、纹理、颜色等与空间映射相关的元素。神经科学家David Hubel与Torsten Wiesel在上世纪五十年代到六十年代发现,视觉系统中的特定神经元与视网膜中的特定像素位置属于一一对应关系,你你这一 重大发现亦使让我们让我们 成功搞掂诺贝尔奖。

当视觉信息通过表皮神经元进行传递时,边缘、纹理与颜色等细节信息汇集在同時 同時 形成愈发抽象的输入表达:这一于对象为人脸,且面部行态显示其身份为Jane。网络中的每一层完整版都是助于有机体实现你你这一 最终判断目标。

层厚神经网络会以这一于的分层依据运作,并给机器学习与人工智能研究带来了一场深远的革命。为了完整版都是那此网络识别人脸等物体,研究人员会向网络当中传入数以千计的样本图像。该系统会加强或削弱个人所有工神经元之间的连接,从而更准确地判断特定像素集合所形成的更为抽象的人脸图形。在充裕样本的支持之下,其都可以识别新图像当中中含的人脸对象,以及此前从未见过的场景中的人脸模式。

研究人员在此类网络当中取得了巨大成功,除了图像分类方面,其亦可在语音识别、语言翻译以及其它机器学习应用领域带来良好表现。华盛顿大学计算神经科学中心的研究人员Charles Delahunt表示,“我喜欢将层厚网络视为货运列车。其非常强大,但要求让我们让我们 提供平坦的路面,从而铺设轨道并建立庞大的基础设施。但让我们让我们 都很清楚,生物系统无须还要那此——它们都可以处里太久层厚网络如今尚无法处里的问题报告 。”

下面再来聊聊人工智能领域的热门话题:自动驾驶汽车。在汽车立足新环境进行导航时,附近环境将始终不断变化,且充满噪音与模糊性因素。这么一来,受到视觉系统启发的层厚学习技术以后 我无法正常发挥作用。事实上,基于视觉的松散依据恐怕可是 能很好地处里问题报告 。在这方面,麻省理工学院的生物物理学家Adam Marblestone表示,视觉处里所代表的是五种在根本层面以偶然性为基础的洞察获取能力,这是五种“历史的侥幸”。正是你你这一 侥幸让科学家们获得了目前人工智能领域最为成熟的句子是什么是什么是什么是什么的系统,即基于图像的机器学习应用方向。

加州索尔克生物研究所的计算机科学家Saket Navlakha则提醒称,“要素类型的刺激完整版都是以不同的依据进行处里。举例来说,视觉与嗅觉就采用完整版不同的信号类型。以后 我,大脑以后 我会使用多种不同的策略来处里不这一于型的数据。我认为除了研究视觉系统何如运作之外,研究人员还有太久其它课题还要探索。

图:索尔克研究所计算机科学家Saket Navlakha开发出五种基于飞蝇的嗅觉回路算法,希望改善机器学习技术在这一于搜索与新型检测任务中的表现。

他和有些有些研究人员们发现,昆虫的嗅觉回路以后 我会带来有些值得参考的经验。直到上世纪九十年代,哥伦比亚大学的生物学家Linda Buck与Richard Axel才发现用于处里气味受体的基因,这标志着嗅觉研究工作正式起步。从那时开使,嗅觉系统开使变得极具特色,并指导着更多研究人员探索苍蝇与其它昆虫对气味的处里依据。一要素科学家认为,其都可以轻松处里视觉系统所都可以了处里的多种常见计算挑战。

Delahunt解释称,“让我们让我们 好的反义词关注嗅觉,是以后 我这是一套有限的系统,以后 我都可以以相对完整版的依据实现表征。这是个值得为之奋斗的好以后 我。”

英国赫特福德大学计算神经科学家Michael Schmuker补充称,“让我们让我们 现在以后 我都可以利用视觉完成有些奇妙的任务。也许让我们让我们 也都可以通过嗅觉实现同样神奇的效果。

随机与稀疏网络

嗅觉与视觉在太久层面占据 着本质性的区别。首先,气味是五种非行态化信息,其不占据 边缘; 换言之,让我们让我们 无法在空间当中对具体对象进行分组。气味属于具备不同组成及层厚的混合物,让我们让我们 难以将其归类为彼此这一于或不同。以后 我,研究人员在探索中往往无须清楚应该对那此行态加以关注。

那此气味将由浅层三层网络进行分析,该网络在行态上比视觉表皮复杂化得多。此外,嗅觉区域的神经元会随机对整个受体空间进行采样,而非关注层次行态中的特定区域。研究人员们利用索尔克研究所神经生物学家Charles Stevens提出的所谓“反映射(antimap)”机制。在像视觉表皮曾经的映射系统当中,神经元的位置将提示其所携带的信息类型。但在嗅觉表皮的反映射体系下,状况则无须这么。相反,信息会在整个系统中分布,且对相关数据的读取还要立足有些极低数量的神经元进行采样。更具体地讲,研究人员还要通占据 问题维空间内的稀疏信息表达来实现反映射。

采取与果蝇相同的嗅觉回路,研究人员利用150个个人所有对不同分子具有敏感性的投射神经元接收受体输入。单一气味会激发多个不同神经元,而每个神经元都代表着不同的气味。这是一组信息的重叠表示,并在本示例中以150维空间表现。在此以后 ,该信息会被随机投射至150个所谓凯尼恩(Kenyon)细胞中,该细胞通过编码识别对应的特定气味。(对哺乳动物而言,其体内的梨状皮质细胞即负责处里此项任务。)其将形成40倍规模扩展,从而确保神经反应模式以更敏锐的依据实现气味区分。

Navlakha表示,“让我们让我们 假设有11150买车人齐聚于某一房间当中,并尝试根据业余爱好对其进行分类组织。当然,在你你这一 拥挤的空间内,让我们让我们 或许都可以找到有些依据将其划分成不同的团队。但在实际场景中,让我们让我们 合适分散在广阔的足球场上,研究人员还要研究会处里那此额外的空间并构建起数据。”

飞蝇的嗅觉回路构建完成以后 ,其还要找到五种切实可行的依据以利用非重叠神经元识别不同气味。这套模型通过数据“稀疏化”实现你你这一 点。在1150个凯尼恩细胞当中,都可以了约1150个(占总体数量的5%)对于特定气味具有高活性(其它活性较低的细胞占据 静默状况),并为各气味提供唯一的标注。

简而言之,觉得传统的层厚网络(同样是从视觉系统中获取线索)在“学习”完整版都是不断改变其连接传输速率,但嗅觉系统似乎通常太久以你你这一 对投射神经元与凯尼恩细胞间连接进行调整的依据进行自我训练

随着研究人员在新世纪中对嗅觉系统的不断探索,让我们让我们 开发出相应算法以选择更高维度的随机嵌入与稀疏性对计算传输速率造成的实际影响。英国苏塞克斯大学的Thomas Nowotny与加利福尼亚大学圣迭戈分校的Ramón Huerta两位科学家甚至建立起另五种与机器学习模型间的连接依据,并将其命名为支持向量机(support vector machine)。让我们让我们 认为,自然与人工系统对信息的处里依据在形式上是等同的,二者完整版都是利用随机组织与维度扩展的依据有效表达复杂化数据。在这方面,人工智能生和熟物进化在同一类处里方案上实现了独立融合

图:苏塞克斯大学信息学教授Thomas Nowotny发现了嗅觉系统与一类所谓支持向量机的模型之间的这一于之处。以此为基础,他进一步探索嗅觉的实现原理并希望借此指导更多潜在的人工智能应用方向。

凭借着你你这一 连接依据,Nowotny和他的同事持续探索嗅觉与机器学习技术之间的关系,希望寻求二者之间更层厚次的联系。1509年,让我们让我们 表示最初用于识别气味的昆虫嗅觉模型也可成功识别手写数字。此外,除去其中的大要素神经元——用以模拟脑细胞的死亡与无替换过程——无须会对其表现造成太久影响。Nowotny表示,“这套系统中的有些要素以后 我会中断,但系统整体仍都可以继续工作。”在他看来,未来火星探测器等设备有望采用你你这一 硬件类型,从而在恶劣的条件下长期保持运行

不过在相当长的一段时间内,研究人员并这么投入太久精力来跟进那此发现——直到最近,才有要素科学家重新审视嗅觉的生物行态,希望深入了解何如改善机器学习在有些具体问题报告 上的表现。

硬连线知识与快速学习

Delahunt和他的同事们重复了Nowotny提出的实验,以飞蛾的嗅觉系统为基础,并将其与传统的机器学习模型进行了比较。在样本数量少于20个的状况下,基于飞蛾的模型都可以更好地识别手写数字; 但随着训练数据的增加,其它模型则表现出更为强大且准确的判断能力。Delahunt指出,“机器学习依据擅长在具备血块数据的前提下提供非常精确的分类器,而昆虫模型则非常擅长利用少要素数据快速进行粗略分类。”

在学习传输速率方面,嗅觉系统的效果似乎更好,以后 我在你你这一 状况下,“学习”的目的不再是寻找对于特定任务而言最佳的行态与表达。相反,其基本目标会复杂化为识别哪一组随机行态与正确结果间占据 相关性,而那此不占据 相关性。中国南方医科大学的生物学家Fei Peng表示,“只需一次点击即可完成训练,曾经的能力当然令人神往,对吧?”

实际上,嗅觉策略合适把有些最基本、最原始的概念引入到模型当中,就像是把对真实世界中的有些一般性理解硬性接入让我们让我们 的大脑之内。在此以后 ,行态五种即可执行有些简单且太久指令引导的先天性任务

其中一项最引人注目的例子来自Navlakha去年在他实验室中得出的研究成果。他与加州大学圣迭戈分校的计算机科学家Stevenes及Sanjoy Dsgupta一道,希望找到五种以嗅觉激发的这一于性搜索依据。正如YouTube网站都可以根据用户目前正在观看的内容生成侧边栏推荐视频列表一样,有机体也还要有能力在识别气味时进行快速且准确的比较。一只飞蝇会调快意识到其应该趋近成熟的句子是什么是什么是什么是什么水果的味道,而远离醋酸等刺激性气味的来源。但考虑到其占据 的环境复杂化且充满干扰因素,以后 我其不以后 我遇到完整版相同的气味。一旦检测到新的气味,飞蝇会据此回忆起其此前遇到过的最这一于的气味,从而选择出适用的行为反应。

Navlakha创建出五种基于嗅觉的这一于性探索算法,并将其应用于图像数据集的处里领域。他和他的团队发现,让我们让我们 的算法在实际表现上远优于传统非生物学依据,有时其降维效能甚至可达两到三倍。(在那此较为标准的技术中,往往通过关注有些基本行态或维度来进行对象比较。)Navlakha解释称,基于飞蝇的依据“可利用低于传统依据约一个 数量级的计算量获得这一于的准确度,以后 我其将都可以在成本以后 我性能方面带来质的飞跃

Nowotny、Navlakha以及Delahunt的实验结果表明,基本未经训练的网络以后 我可用于执行分类计算与其它这一于的任务。在这一于于编码方案中构建出的系统也都可以更容易地完成后续学习工作。举例来说,其可用于涉及导航或记忆的任务,且在你你这一 状况下,系统都可以太久更多学习时间或血块示例即可顺利应对条件的变更(这一于道路阻塞)。

Peng和他的同事们以后 我开使研究你你这一 问题报告 ,即通过创建一套蚂蚁嗅觉模型以决定何如从一系列重叠的图像当中找到熟悉的路线并实现导航功能。

在目前正在接受审查的工作当中,Navlakha采用了这一于的、基于嗅觉的依据进行新奇检测——即在接触过数千个这一于物体以后 ,成功识别出新的、具有关联性的物体。

而Nowotny则在研究何如利用嗅觉系统处里混合物。他以后 我发现机器学习技术在此类应用方向里边临的挑战。举例来说,有机体会将有些气味视为来自单一对象,而有些气味则源自混合物:有些人都可以在摄入数十种化学物质后,准确判断出其嗅到的是一朵玫瑰; 以后 我以后 我会闻到来自附近面包店的同等数量的化学物质并意识到其分别来自咖啡与牛角面包。Nowotny和他的团队发现,让我们让我们 在进行嗅闻时太久刻意对气味进行分离; 相反,咖啡与牛角面包间的气味识别将以非常越来飞快的交替依据完成。

你你这一 洞察能力对人工智能技术而言同样非常重要。举例来说,在酒会上的嘈杂环境中对多段同時 进行的对话进行分离往往极为困难。以后 我房间中占据 多位发言者,这么人工智能还还要通过将声音信号切换为极小的时间窗加以处里。而以后 我系统识别出来自某一发言者的声音,其以后 我会尝试抑制来自有些发言者的输入信息。通过曾经的交替,神经网络即可顺利解析对话内容

迈入昆虫机器人的时代

在上个月发表在科学论文预发表网站arxiv.org上的一篇文章指出,Delahunt和他来自华盛顿大学的同事J. Nathan Kutz所创发明人者的“昆虫机器人”进一步推动了这项研究的进展。让我们让我们 利用其基于飞蛾的模型输出结果作为机器学习算法的输入内容,并借此实现了系统对图像分类能力的大幅改进。Delahunt表示,“其为机器学习算法提供了强大的素材。飞蛾神经给让我们让我们 带来一系列不这一于型的行态,而你你这一 迥异于传统的行态助于机器学习算法的提升。”

图:华盛顿大学的Charles Delahunt(图左)与J. Nathan Kutz(图右)将飞蛾嗅觉网络的行态移植到机器学习环境当中,从而创发明人者让我们让我们 所谓的“昆虫机器人。”

一要素研究人员还希望利用嗅觉研究来选择何如在更层厚的网络当中对多种学习形式加以协调。Peng表示,“但截至目前,让我们让我们 在这方面都可以了说是略有涉猎。目前我还不太选择要何如借此改进层厚学习系统。”

除了实现基于嗅觉的架构之外,你你这一 领域中的另一大重要课题在于何如对系统输入进行明选择义。在以后 发表在《科学进展》杂志上的一篇论文当中,由索尔克研究所的Tatyana Sharpee所领导的小组正想方设法对气味做出描述。具体来讲,不同图像在一定程度上占据 着共性,即要求立足“视觉空间”对像素间的距离进行表达。但你你这一 所谓距离概念对于嗅觉则完整版不适用,且多种具有不同化学行态的气味在表达与判断方面以后 我被认为彼此相近。

图:索尔克研究所神经生物学家Tatyana Sharpee最近发现,气味还还要映射至双曲线空间之内。她希望了解你你这一 洞察结论还还要帮助研究人员找到为层厚学习系统构建最佳输入数据的依据。

Sharpee和她的同事们希望根据在自然界中同時 发现的频率进行气味分子定义(出于研究的目的,让我们让我们 检查了气味分子在各类水果及其它样品中同時 作用的频率)。在此以后 ,让我们让我们 将气味分子结合起来构建图谱,包括观察那此分子倾向于同時 作用,而那此分子之间保持着泾渭分明的隔离性。让我们让我们 发现,这就像是将城市点位映射到地球上一样,气味分子的映射呈现在一个 双曲线空间之内,其中的负曲率球体则为马鞍状。

Sharpee推测,将你你这一 具有双曲线行态的输入馈送至机器学习算法内,助于对行态性较低的对象进行分类。她解释称,“层厚学习当中占据 着一项起始性的假设,即输入内容应该以欧几里德几何度量完成。我认为还还要尝试将此项指标改为双曲线指标。”也许曾经的行态都可以进一步优化层厚学习系统

同時 点解析

就目前来讲,嗅觉系统的大要素研究成果仍然占据 理论阶段。Navlakha与Delahunt的工作还要进一步扩展至更为复杂化的机器学习问题报告 当中,方能选择嗅觉模型算是有能力切实发挥作用。Nowotny表示,“我认为这是一项新兴挑战,让我们让我们 期待观察其都可以走多远。”

令研究人员们感到振奋的是,嗅觉系统在行态上觉得与有些物种大脑内的其它区域表现出惊人的这一于度,有点硬是与记忆及导航相关的海马体,以及负责运动控制的小脑。嗅觉是五种古老的系统,其历史还还要追溯到细菌生物对化学物质的感受,且所有生物完整版都是利用五种形式的嗅觉探索附近环境。

Marblestone指出,“这似乎更接近让我们让我们 提出的所谓表皮概念的进化源点。”嗅觉很以后 我为一切生物的学习体系提供了同時 点。神经学家Ashok Litwin-Kumar认为,“嗅觉系统为让我们让我们 提供了一套非常保守的架构,且广泛适用于各类生物体对多种物体的识别依据。其中一定占据 着有些非常基础的原理,以后 我值得加以深入探索。”

嗅觉回路有望成为尝试理解海马体与小脑工作原理的、更为复杂化的学习算法及计算方案的解读起点,甚至有以后 我引导让我们让我们 将相关见解应用于人工智能领域。研究人员以后 我开使关注注意力以及记忆等各类认知过程,希望借此找到都可以改进当前机器学习架构与机制的依据。在这方面,嗅觉有以后 我提供五种更为简单的依据,用以建立那此连接。Marblestone认为,“这是一个 有趣的关键切入点,并以后 我成为下一代神经网络的实现基础。”