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.

شرکت‌کنندگان در این چالش از تعداد بی‌نظیر داده‌های موجود درNSD برای ساختن مدل‌های رمزکننده بخش بینایی مغز بهره می‌برند. این پایگاه داده تعداد بیشماری پاسخ باکیفیتfMRI هفت تسلا به 73 هزار صحنه طبیعی را ثبت کرده است (شکل 1a). داده‌ها مربوط به بخش‌هایی از کورتکس بینایی هستند که قوی‌ترین پاسخ را به تحریک‌های دیداری می‌دهند (شکل 1b).

کورتکس بینایی به بخش‌های متعددی با عنوانROI (region of interest) تقسیم شده است که ویژگی‌های عملکردی متفاوتی دارند. همراه با داده fMRI اطلاعات نواحی اختصاصی (ROI) مربوط به بینایی نیز ارائه می‌شود. مشارکت‌کنندگان به اختیار خود می‌توانند از این داده‌ها برای ساختن مدل‌های رمزکننده متفاوت برای بخش‌های مختلف کورتکس بینایی استفاده کنند؛ گرچه ارزیابی این مسابقه بر اساس کل نواحی محاسبه می‌شود، نه یک بخش خاص (ROI). جهت کمی‌‌سازی دقت مدل‌های رمزنگاری، شرکت‌کنندگان پیش‌بینی fMRI شان برای تصاویر تستی را ارسال می‌کنند. برای هر نیمکره مغزی هر فرد، ما همبستگی داده پیش‌بینی‌شده برای تمام تصاویر را با داده‌های واقعی محاسبه می‌کنیم (شکل 2).

داشتن مدلی که به طور کامل پدیده‌ای را پیش‌بینی کند، لزوماً توضیح‌دهنده خوبی برای آن پدیده نیست؛ گرچه پیش‌بینی و توضیح اهداف مرتبطی هستند که به دلایل زیر مکمل اند:

1- توضیح مناسب باید به پیش‌بینی‌های موفق منجر شود.

2- دقت در پیش‌بینی ممکن است ویژگی‌هایی را برای ساختن یک مدل‌ موفق آشکار کند؛ به عبارتی به ما اجازه می‌دهد که حدس‌هایی درباره مدل بزنیم و آنها را تست کنیم.

3- موفقیت در پیش‌بینی ابزار خوبی برای ارزیابی و کمی‌سازی دست‌یافته‌های کیفی است.

جمع‌بندی: (شکل 3)

• از هوش مصنوعی تا هوش زیستی: طی دهه گذشته، تعامل بین هوش زیستی و هوش مصنوعی به صورت عمیقی اکتشافات علوم اعصاب را تحت تاثیر قرار داده است؛ به عبارتی الگوریتم‌های یادگیری ماشینی و عمیق، مدرن‌ترین ابزار مدل‌سازی مغز بوده‌اند.
• از هوش زیستی تا هوش مصنوعی: هوش مصنوعی نیز می‌تواند از تعامل با هوش زیستی بهره‌مند شود. سامانه‌های زیستی مثال‌های مفهومی خوبی برای چگونگی حل یک مسئله محاسباتی پیچیده هستند؛ بنابراین می‌توانند به کمک مهندسی مدل‌های جدید هوش مصنوعی بیایند.
• پروژه Algonauts به پیشرفت‌های جدی در هر دو زمینه فهم مغز از طریق مدل‌های هوش مصنوعی و مهندسی عوامل هوش مصنوعی از طریق شناخت محدودیت‌های هوش زیستی، منجر می‌شود. این پروژه با ترویج همزیستی و تعامل بین هوش مصنوعی و هوش زیستی، به رشد و پرورش این حوزه پژوهشی هیجان‌انگیز کمک خواهد کرد.

شکل 1: صحنه‌های طبیعی و نواحی مغز مورد استفاده در چالش Algonauts

شکل 2: نحوه ارزیابی چالش Algonauts

شکل 3: خلاصه‌ای از چالش Algonauts

منبع:

http://Algonauts.csail.mit.edu/challenge.html