Brug af ablation til at undersøge strukturen af ​​kunstige neurale netværk

Et team af forskere ved RWTH Aachen University's Institute of Information Management in Mechanical Engineering har for nylig undersøgt brugen af ​​neurovidenskabsteknikker til at bestemme, hvordan information er struktureret inde i kunstige neurale netværk (ANN'er). I deres papir, forududgivet på arXiv, forskerne anvendte en teknik kaldet ablation, hvilket indebærer at skære dele af hjernen væk for at bestemme deres funktion, om neurale netværksarkitekturer.

"Vores idé var inspireret af forskning inden for neurovidenskab, hvor et af hovedmålene er at forstå, hvordan vores hjerne fungerer, "Richard Meyes og Tobias Meisen, to forskere, der gennemførte undersøgelsen, fortalte TechXplore, via e-mail. "Mange indsigter om hjernens funktionaliteter blev opdaget i ablationsstudier, som er en tilgang, hvor bestemte dele af hjernen omhyggeligt beskadiges på en kontrolleret måde, påvirker hjernens evne til at udføre hverdagens opgaver, såsom at generere tale, eller bevægelse. "

Formålet med undersøgelsen udført af Meyes, Meisen og deres kollega Peter Lillian skulle undersøge ANN'er fra et biologisk perspektiv, vurdere deres struktur og funktionen af ​​deres forskellige komponenter. De besluttede at gøre dette ved hjælp af ablation, en teknik anvendt inden for neurovidenskabelig forskning i over to hundrede år.

I det væsentlige, ablation består i selektiv fjernelse eller ødelæggelse af væv i bestemte områder af hjernen, med det ene formål at observere adfærdsmæssige virkninger af denne skade og dermed bedre forstå funktionen af ​​disse områder. Ablation er allerede blevet anvendt på ANN'er i flere undersøgelser, men disse undersøgelser fokuserede primært på at tilpasse lagene i netværket og ændre dets struktur, ligner således mere parametersøgninger end biologisk ablation.

I deres undersøgelse, forskerne ønskede at beskadige områder af ANN'er og observere, hvordan dette påvirkede deres ydeevne. Ultimativt, de ønskede at bruge disse observationer til at sammenligne organiseringen af ​​kunstige neurale netværk med de biologiske.

"Ideen bag ablationer til kunstige neurale netværk (ANN'er) er enkel, "Meyes og Meisen forklarede." Først, vi træner et netværk til at udføre en bestemt opgave, f.eks. at genkende håndskrevne cifre. Sekund, vi afbryder en lille del af netværket og vurderer, hvordan netværkets ydeevne ændres på grund af den beskadigede skade. Tredje, vi afgør, om der er en sammenhæng mellem placeringen af ​​den beskadigede del og den effekt, den havde på netværkets ydeevne. Denne måde, vi fandt ud af, at netværkets specifikke evner, f.eks. at udføre bevægelser fremad af den kontrollerede robot, er lokalt repræsenteret og kan ødelægges målrettet. "

Ved at ablere ANN'er, der er uddannet til at navigere i en wire-loop og undersøge, hvordan disse interventioner påvirkede deres output, forskerne samlede en række interessante fund, hvilket tyder på, at der faktisk er forbindelser og ligheder mellem kunstige og biologiske netværk. Disse ligheder hænger både sammen med, hvordan netværkene indretter sig selv, og hvordan de gemmer information.

"Vores mest interessante fund er observationen af, at et beskadiget netværks ydeevne generelt falder, mens meget specifikke evner i netværket, f.eks. at genkende et bestemt ciffer, kan forbedres ved at beskadige specifikke dele, "Meyes og Meisen sagde." Vores undersøgelse tyder på, at et neuralt netværks ydeevne kan øges ved omhyggeligt at skade det i de rigtige regioner. Desuden, vores undersøgelse indebærer, at anvendelsen af ​​neurovidenskabelige metoder til ANN'er kan åbne nye perspektiver for at forstå kunstig intelligens. "

På trods af de fascinerende resultater, Meyes har indsamlet, Meisen og Lillian, deres undersøgelse havde flere begrænsninger og var blot et første skridt i undersøgelsen af ​​forbindelserne mellem biologiske og kunstige neurale netværk. For eksempel, deres eksperimenter blev begrænset af brugen af ​​forstærkningslæring og stolede på en model, der var trænet robotisk, i realtid. Fremtidig forskning kunne undersøge lighederne mellem ANN'er og hjernenetværk mere detaljeret og i større skalaer.

"Vi planlægger nu at fortsætte med at undersøge vores generelle idé om at udføre neurovidenskab inspireret forskning om ANN'er, "Meyes og Meisen sagde." Et af vores næste trin vil være at visualisere aktivitet i ANN'er ligesom hjerneaktivitet kan visualiseres med billeddannelsesmetoder som fMRI. Vi sigter mod at gøre beslutningsprocessen i ANN'er mere gennemsigtig og få et nyt perspektiv på AI generelt. "

© 2018 Science X Network