مغز انسان چگونه صحنه‌های طبیعی را درک می‌کند

مرز بین دانش‌های هوش مصنوعی و هوش زیستی بیش از هر زمان دیگری در هم آمیخته شده‌اند. از طرفی اصول محاسبات عصبی الهام‌بخش ماشین‌های هوشمند جدید شده است؛ این ماشین‌ها نیز به نوبه خود باعث پیشرفت فهم ما از عملکرد مغز شده‌اند. این پروژه در راستای تشویق تبادل نظر و همکاری بین محققان دو حوزه هوش مصنوعی و هوش زیستی طراحی شده است و از محققان دو حوزه دعوت می‌کند برای توسعه مدل‌های محاسباتی برای بخش بینایی، با استفاده از بزرگ‌ترین و غنی‌ترین بانک داده fMRI مربوط به پاسخ مغز به صحنه‌های طبیعی گرد هم آیند (NSD: Naturel Scenes Dataset) .

آلگونوت (Algonauts) یک چالش باز است و نتایج آن به صورت به‌روز از طریق تابلوی امتیازات در اختیار عموم می‌گیرد؛ به عبارتی پس از اضافه شدن هر نتیجه به صورت خودکار به‌روز می‌شود. این ویژگی باعث تسریع در توسعه مدل می‌شود. هدف پروژه Algonauts ارتقای توسعه مدل‌های رمزکننده برای پاسخ عصبی به تحریک دیداری، و ارائه یک سکوی مشترک جهت تسریع همکاری بین دو حوزه هوش زیستی و هوش مصنوعی است. مدل‌های رمزکننده الگوریتم‌هایی هستند که نحوه پاسخ‌دهی مغز به محرک‌های مشخص را پیش‌بینی می‌کنند. در علوم اعصاب بینایی، یک مدل رمزکننده معمولاً از الگوریتمی که پیکسل‌های تصویر را به عنوان ورودی می‌گیرد، به ویژگی‌های یک مدل تبدیل می‌کند و این ویژگی‌ها را به اطلاعات مغز(مثلاً از fMRI ) نگاشت می‌کند، تشکیل شده است. این مراحل به صورت موثری پاسخ‌های عصبی به تصاویر را پیش‌بینی می‌کند.