Forskere bygger en kunstig fluehjerne, der kan fortælle, hvem der er hvem

På trods af enkelheden i deres visuelle system, frugtfluer er i stand til pålideligt at skelne mellem individer baseret på syn alene. Dette er en opgave, som selv mennesker, der bruger hele deres liv på at studere Drosophila melanogaster kæmper med. Forskere har nu bygget et neuralt netværk, der efterligner frugtfluens visuelle system og kan skelne og genidentificere fluer. Dette kan gøre det muligt for de tusindvis af laboratorier verden over, der bruger frugtfluer som modelorganisme, at udføre mere longitudinelt arbejde, ser på, hvordan individuelle fluer ændrer sig over tid. Det giver også bevis for, at den ydmyge frugtflues syn er klarere end hidtil antaget.

I et tværfagligt projekt forskere ved Guelph University og University of Toronto, Mississauga kombinerede ekspertise inden for frugtfluebiologi med maskinlæring for at opbygge en biologisk baseret algoritme, der kører gennem lavopløsningsvideoer af frugtfluer for at teste, om det er fysisk muligt for et system med sådanne begrænsninger at udføre en så vanskelig opgave.

Frugtfluer har små sammensatte øjne, der optager en begrænset mængde visuel information, anslået 29 enheder i kvadrat (fig. 1A). Den traditionelle opfattelse har været, at når først billedet er behandlet af en frugtflue, den er kun i stand til at skelne meget brede træk (fig. 1B). Men en nylig opdagelse af, at frugtfluer kan øge deres effektive opløsning med subtile biologiske tricks (fig. 1C) har fået forskere til at tro, at syn kunne bidrage væsentligt til fluernes sociale liv. Det her, kombineret med opdagelsen af, at strukturen af ​​deres visuelle system ligner meget et Deep Convolutional Network (DCN), førte holdet til at spørge:"kan vi modellere en fluehjerne, der kan identificere individer?"

Deres computerprogram har samme teoretiske input og bearbejdningsevne som en frugtflue og blev trænet på video af en flue over to dage. Den var derefter i stand til pålideligt at identificere den samme flue på den tredje dag med en F1-score (et mål, der kombinerer præcision og tilbagekaldelse) på 0,75. Imponerende nok, dette er kun lidt værre end score på 0,85 og 0,83 for algoritmer uden begrænsningerne af fluehjernebiologi. Til sammenligning, når de får den nemmere opgave at matche 'mugshot'et af en flue til et felt med 20 andre, erfarne menneskefluebiologer nåede kun en score på 0,08. Tilfældig chance ville score 0,05.

Ifølge Jon Schneider, den første forfatter til det papir, der udgives i PLOS ET denne uge, denne undersøgelse peger på "den fristende mulighed, at snarere end blot at kunne genkende brede kategorier, frugtfluer er i stand til at skelne individer. Så når den ene lander ved siden af ​​den anden, det er "Hej Bob, Hej Alice"".

Graham Taylor, en maskinlæringsspecialist og CIFAR Azrieli Global Scholar i Learning in Machines and Brains-programmet, var begejstret over udsigten til at slå mennesker ved en visuel opgave. "Mange Deep Neural Network-applikationer forsøger at replikere og automatisere menneskelige evner som ansigtsgenkendelse, naturlig sprogbehandling, eller sangidentifikation. Men sjældent går de ud over menneskelig kapacitet. Så det er spændende at finde et problem, hvor algoritmer kan udkonkurrere mennesker."

Eksperimenterne fandt sted i University of Toronto Mississauga lab af Joel Levine, en senior fellow i CIFAR Child &Brain Development-programmet. Han har store forhåbninger til fremtiden for forskning som denne. "Tilgangen til at parre deep learning-modeller med nervesystemer er utrolig rig. Det kan fortælle os om modellerne, om hvordan neuroner kommunikerer med hinanden, og det kan fortælle os om hele dyret. Det er noget åndssvagt. Og det er uudforsket territorium."

Schneider opsummerede, hvordan det var at arbejde mellem discipliner:"Projekter som dette er en perfekt arena for neurobiologer og maskinlæringsforskere til at arbejde sammen for at afdække det grundlæggende i, hvordan ethvert system - biologisk eller andet - lærer og behandler information."