Видите это изображение выше? С помощью этого странного изображения нейробиологи Массачусетского технологического института смогли активировать отдельные нейроны мозга. Используя лучшую из доступных модель зрительной нейронной сети мозга, ученые разработали новый способ точного управления отдельными нейронами и их популяциями в середине этой сети. В ходе испытания на животных команда показала, что информация, полученная из вычислительной модели, позволила им создавать изображения, которые сильно активировали определенные нейроны мозга.

Ученые, по сути, получили способ обращаться к мозгу через изображение «напрямую», минуя длинный путь осмысления изображений. Но прежде чем вы задумаетесь о мрачном будущем, в котором нас действительно будут зомбировать с экранов телевизора, давайте обо всем по порядке.
 

Основные выводы работы — существующие расчетные версии моделей зрительных нейросистем достаточно похожи на настоящие, чтобы их можно было использовать для контроля состояния мозга у животных. Насколько точно эти модели имитируют работу зрительной коры — этот вопрос вызывает очень горячие споры, говорит Джеймс ДиКарло, глава отделения мозга и когнитивных наук MIT, старший автор исследования, которое появилось 2 мая в журнале Science.

«Люди давно задаются вопросом, обеспечивают ли эти модели понимание зрительной системы», говорит он. «Вместо того, чтобы обсуждать это в академических кругах, мы показали, что эти модели уже достаточно мощные, чтобы можно было использовать их новыми и важными способами. Вне зависимости от того, понимаете вы, как работает эта модель или нет, в некотором смысле она уже приносит пользу».

То есть, неважно, как работает расчетная модель зрительной системы мозга — важно, что мы уже можем ее использовать, что она достаточно точна и что на ее основе можно разрабатывать новые эксперименты. Это первое следствие работы, которое нужно принять во внимание.
 

В течение последних нескольких лет ДиКарло и другие разрабатывали модели зрительной системы на основе искусственных нейронных сетей. Каждая сеть начинается с произвольной архитектуры, состоящей из модельных нейронов, или узлов, которые могут соединяться между собой различными показателями силы, или «весом».

Затем ученые обучают эти модели на библиотеке из более 1 миллиона изображений. Просматривая каждое изображение и метку самого важного объекта на изображении — самолета или стула, например — модель учится распознавать объекты, изменяя силу соединений. Трудно точно определить, каким образом модель достигает такого рода распознавания, но ДиКарло и его коллеги ранее показали, что «нейроны» в этих моделях создают модели активности, очень похожие на те, которые наблюдаются в зрительной коре животных при реакции на такие же изображения. То есть, нейросеть словно пытается научиться думать или видеть по-настоящему.

В новом исследовании ученые хотели проверить, могут ли их модели выполнять некоторые задачи, которые ранее не демонстрировались. В частности, им было интересно, можно ли использовать эти модели для контроля нейронной активности в зрительной коре животных.

Чтобы добиться этого, ученые сперва создали точную карту «один к одному» нейронов мозга в зрительной области мозга V4 из узлов в вычислительной модели. Они делали это, показывая изображения животным и моделям и сравнивая их ответы на одни и те же снимки. В области V4 миллионы нейроны, но для этого исследования создавались карты субпопуляций с 5 — 40 нейронами одновременно.

«Как только каждый нейрон получает назначение, модель позволяет делать прогнозы относительно этого нейрона», говорит ДиКарло.

Затем ученые решили выяснить, могут ли они использовать эти прогнозы для контроля активности отдельных нейронов в зрительной коре. Первый тип контроля, который они назвали «растяжением», включает показ изображения, которое выведет активность конкретного нейрона далеко за пределы активности, обычно вызываемой «естественными» изображениями, вроде тех, что используются для обучения нейросетей.

Исследователи обнаружили, что при демонстрации животным таких «синтетических» изображений, которые создаются моделями и не напоминают природные объекты, целевые нейроны реагировали, как и ожидалось. В среднем нейроны проявляли примерно на 40 процентов больше активности в ответ на эти изображения, чем когда им показывали естественные изображения. Такого рода контроля никто никогда не достигал прежде.

Просто вдумайтесь: ученые создали простой (пока) генератор изображений, вызывающих определенный эффект в мозге животного (пока). В теории — пока только в теории — можно было бы создавать «идеальное» изображение для регулирования гормональных выбросов, создания определенных воспоминаний, программирования действий человека — потому что все это результат работы нейронов. Картинка, созданная нейросетью, которую никто никогда не видел и представить которую в состоянии только нейросеть, понимающая внутреннюю работу мозга, сможет и вылечить, и убить.

В похожей серии экспериментов ученые попытались создать изображения, которые максимально «выводили» бы нейрон из себя, в то же время поддерживая активность в соседних нейронах на очень низком уровне, что уже более сложно. С большинством протестированных нейронов ученые смогли повысить активность целевого нейрона с небольшим увеличением окружающих нейронов.

«Общая тенденция в нейробиологии такова, что сбор экспериментальных данных и компьютерное моделирование выполняются слегка по отдельности, что не дает возможности значительно подтвердить модель, поэтому и нет поддающегося измерению прогресса. Наши усилия возвращают к жизни подход «замкнутого цикла», утверждают ученые. Это важно для успеха построения и тестирования моделей, которые будут похожи на мозг больше всего.
 

Ученые также показали, что могут использовать свою модель, чтобы предсказывать, как нейроны из области V4 будут реагировать на синтезированные изображения — вроде того, что выше. Большинство предыдущих тестирований модели использовали тот же тип натуралистических изображений, на которых обучалась модель. Ученые из MIT обнаружили, что модели с точностью 54% предсказывают, как мозг должен реагировать на синтезированные изображения, и с точностью 90% предсказывают, как мозг будет реагировать на естественные изображения.

«В некотором смысле, мы количественно оцениваем, насколько точны эти модели при прогнозировании за пределами области, в которой они были обучены», говорит один из исследователей. «В идеале модель должно быть способна точно спрогнозировать отклик, независимо от входного сигнала».

Теперь ученые надеются повысить точность моделей, позволив им включать новую информацию, которую они постигают, глядя на синтезированные изображения. В ходе этого исследования такое не применялось. Проще говоря, модели будут учиться по своим же сгенерированным изображениям.

Такого рода контроль будет полезен для нейробиологов, которые хотят изучить, как разные нейроны связываются и взаимодействуют между собой. В дальнейшем этот подход потенциально будет полезен для избавления проблем с настроением, таких как депрессия. Сейчас ученые работают над расширением своей модели до нижней височной (инферотемпоральной) коры, которая питается миндалиной, участвующей в обработке эмоций.

«Если бы у нас была хорошая модель нейронов, которые задействуют прилив эмоций или вызывают различные виды расстройств, мы могли бы использовать эту модель для управления нейронами таким образом, чтобы помочь облегчить эти расстройства».