MIT的三位科學(xué)家首次用大腦視覺神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了控制動物大腦的神經(jīng)元活動。這是使用人工神經(jīng)網(wǎng)絡(luò)來理解真實(shí)神經(jīng)網(wǎng)絡(luò)的一大突破，相關(guān)研究發(fā)表在本周Science雜志。

5月2日發(fā)表在Science雜志的一篇論文中，來自MIT的三位神經(jīng)科學(xué)家對模擬大腦視覺皮層的計(jì)算模型進(jìn)行了迄今為止最嚴(yán)格的測試。

三位作者分別是MIT大腦與認(rèn)知科學(xué)系的負(fù)責(zé)人、麥戈文腦研究所調(diào)查員James DiCarlo，以及博士后研究員Pouya Bashivan和Kohitij Kar。

他們利用目前最好的大腦視覺神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)了一種新方法來精確地控制單個神經(jīng)元和位于網(wǎng)絡(luò)中間的神經(jīng)元群。

在一項(xiàng)動物研究中，研究團(tuán)隊(duì)隨后表明，他們利用從計(jì)算模型中獲得的信息創(chuàng)建了一些圖像，這些圖像能夠強(qiáng)烈地激活所選定的大腦神經(jīng)元。

具體來說，Bashivan等人建立了一個人工神經(jīng)網(wǎng)絡(luò)來模擬目標(biāo)視覺系統(tǒng)的行為，并用它來構(gòu)建圖像，這些圖像要么能夠廣泛地激活大量神經(jīng)元，要么選擇性地激活一個神經(jīng)元群，同時保持其他神經(jīng)元不變。

神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)了這些圖像，它們能夠刺激單個神經(jīng)元的活動

然后，他們分析了這些圖像在獼猴視覺皮層產(chǎn)生預(yù)期效果的有效性。結(jié)果顯示，這些操作有很強(qiáng)的效果，并對神經(jīng)元群產(chǎn)生了相當(dāng)大的選擇性影響。利用這些圖像，神經(jīng)網(wǎng)絡(luò)被證明可以再現(xiàn)動物神經(jīng)反應(yīng)的整體行為。

研究結(jié)果表明，這些模型與大腦非常相似，可以用來控制動物的大腦狀態(tài)。

James DiCarlo表示，這項(xiàng)新研究有助于確定視覺模型在腦科學(xué)研究中的有用性。此前，關(guān)于這類視覺模型是否準(zhǔn)確地模擬了視覺皮層的工作方式存在激烈的爭論。

James DiCarlo

“人們質(zhì)疑這些模型是否能夠提供對視覺系統(tǒng)的理解，”James DiCarlo說：“我們沒有在學(xué)術(shù)意義上爭論這個問題，而是證明了這些模型已經(jīng)足夠強(qiáng)大，能夠支持一項(xiàng)重要的新應(yīng)用。不管你是否理解這個模型的工作原理，從這個意義上說，它已經(jīng)很有用了。”

他們在下面的視頻采訪更詳細(xì)地闡述了這個研究。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)，4步神經(jīng)控制實(shí)驗(yàn)

在過去幾年里，DiCarlo等人開發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)的視覺系統(tǒng)模型。每個網(wǎng)絡(luò)都以一個由模型神經(jīng)元(model neurons)或節(jié)點(diǎn)(nodes)組成的任意架構(gòu)開始，這些神經(jīng)元或節(jié)點(diǎn)可以以不同的強(qiáng)度(也稱為權(quán)重)相互連接。

然后，研究人員用一個包含超過100萬張圖像的庫中訓(xùn)練這些模型。當(dāng)研究人員向模型展示每張圖像，以及圖像中最突出的物體(比如飛機(jī)或椅子)的標(biāo)簽時，模型通過改變連接的強(qiáng)度來學(xué)習(xí)識別物體。

很難準(zhǔn)確地了解這個模型是如何實(shí)現(xiàn)這種識別的，但是DiCarlo和他的同事之前已經(jīng)證明，這些模型中的“神經(jīng)元”產(chǎn)生的活動模式與動物視覺皮層響應(yīng)相同圖像時的活動模式非常相似。

在這項(xiàng)新研究中，研究人員想要測試他們的模型是否能夠執(zhí)行一些以前尚未被證明的任務(wù)。特別是，他們想看看這些模型是否可以用來控制動物視覺皮層的神經(jīng)活動。

他們進(jìn)行了幾個閉環(huán)的神經(jīng)生理學(xué)實(shí)驗(yàn)：在將模型神經(jīng)元與每個記錄的大腦神經(jīng)位置匹配之后，使用該模型合成了全新的“控制器”(controller)圖像。

合成程序概述

如上圖所示，神經(jīng)控制實(shí)驗(yàn)分四步完成：（1）通過訓(xùn)練大量標(biāo)記的自然圖像來優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)；（2）ANN “神經(jīng)元” 被映射到每個記錄的 V4 神經(jīng)位點(diǎn)，構(gòu)成可計(jì)算的預(yù)測模型。（3）然后將得到的模型用于合成單個位點(diǎn)或群體控制的 “控制器” 圖像。（4）最后由實(shí)驗(yàn)者將由這些圖像指定的發(fā)光模式應(yīng)用于受試者的視網(wǎng)膜，并測量神經(jīng)部位的控制程度。

上圖（D）顯示了猴 M（黑色），猴 N（紅色）和猴 S（藍(lán)色）大腦中神經(jīng)位點(diǎn)的感受野。

然后，研究人員將這些圖像呈現(xiàn)給每個受試者，以測試模型控制受試者神經(jīng)元的能力。在一項(xiàng)測試中，他們要求模型嘗試控制每個神經(jīng)元，使其激活程度超過其通常觀察到的最大激活水平。研究人員發(fā)現(xiàn)，模型生成的合成刺激成功地驅(qū)動了68%的神經(jīng)位點(diǎn)超出了它們的自然觀察激活水平。

單個神經(jīng)控制的一個示例

在令一項(xiàng)更嚴(yán)格的測試中，該模型顯示，它能夠選擇性地控制整個神經(jīng)亞群，激活一個特定的神經(jīng)元，同時使其他記錄的神經(jīng)元失活(成功率達(dá)到76%)。

神經(jīng)元群的控制

接下來，研究人員使用這些合成的controller圖像來研究模型預(yù)測大腦反應(yīng)的能力是否適用于這些圖像。他們發(fā)現(xiàn)該模型確實(shí)相當(dāng)準(zhǔn)確，預(yù)測了54%的由圖像引起的大腦反應(yīng)模式，但它顯然還不完美。

“到目前為止，對這些模型所做的工作是預(yù)測神經(jīng)會對其他刺激產(chǎn)生什么反應(yīng)，這些刺激是他們以前從未見過的。”Bashivan說：“這次的研究主要的不同之處在于，我們更進(jìn)了一步，利用這些模型將神經(jīng)元驅(qū)動到所需的狀態(tài)。”

為了實(shí)現(xiàn)這一目標(biāo)，研究人員首先創(chuàng)建了大腦的視覺區(qū)域V4中的神經(jīng)元和計(jì)算模型中的節(jié)點(diǎn)的一對一映射。他們通過分別向動物和模型展示圖像，并比較它們對相同圖像的反應(yīng)來實(shí)現(xiàn)這一點(diǎn)。V4區(qū)域有數(shù)百萬個神經(jīng)元，但在這項(xiàng)研究中，研究人員每次為5到40個神經(jīng)元的亞群創(chuàng)建映射。

DiCarlo說：“一旦每個神經(jīng)元都有一個任務(wù)，這個模型就可以讓你對那個神經(jīng)元做出預(yù)測。”

然后，研究人員開始研究他們是否能利用這些預(yù)測來控制視覺皮層中單個神經(jīng)元的活動。第一種類型的控制，他們稱之為“拉伸”(stretching)，即向?qū)嶒?yàn)者展示一幅圖像，該圖像將驅(qū)動特定神經(jīng)元的活動，其強(qiáng)度遠(yuǎn)遠(yuǎn)超出通常由“自然”圖像引發(fā)的活動，，這些“自然”圖像與用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的圖像類似。

單個神經(jīng)位點(diǎn)的最大驅(qū)動(拉伸)

研究人員發(fā)現(xiàn)，當(dāng)他們向動物展示這些“合成”圖像時，目標(biāo)神經(jīng)元的反應(yīng)與預(yù)期相符。這些“合成”圖像是由模型生成的，不像自然物體。平均而言，神經(jīng)元對這些圖像的反應(yīng)要比它們看到自然圖像時活躍約40%。

這是科學(xué)家第一次實(shí)現(xiàn)這種控制。

控制大腦神經(jīng)元，有助于治療情緒障礙

神經(jīng)科學(xué)的一個普遍趨勢是，實(shí)驗(yàn)數(shù)據(jù)收集和計(jì)算建模在某種程度上是獨(dú)立進(jìn)行的，導(dǎo)致很少有模型驗(yàn)證，因此沒有可測量的進(jìn)展。這項(xiàng)的工作使這種“閉環(huán)”方法重現(xiàn)生機(jī)，同時進(jìn)行模型預(yù)測和神經(jīng)測量，這對成功構(gòu)建和測試最接近大腦的模型至關(guān)重要。

研究人員還表示，他們可以利用該模型來預(yù)測V4區(qū)域的神經(jīng)元對合成圖像的反應(yīng)。之前對這些模型的大多數(shù)測試都使用了與訓(xùn)練模型相同的自然圖像。MIT的研究團(tuán)隊(duì)發(fā)現(xiàn)，這些模型在預(yù)測大腦對合成圖像的響應(yīng)方面的準(zhǔn)確率約為54%，而使用自然圖像時的準(zhǔn)確率接近90%。

Bashivan說：“從某種意義上說，我們正在量化這些模型在訓(xùn)練領(lǐng)域之外做出預(yù)測的準(zhǔn)確性。理想情況下，無論輸入是什么，模型都應(yīng)該能夠準(zhǔn)確預(yù)測。”

研究人員希望在接下來的研究中，通過讓模型吸收他們從合成圖像中學(xué)到的新信息來提高模型的準(zhǔn)確性。

研究人員表示，這種控制可能對想要研究不同神經(jīng)元之間如何相互作用以及它們之間如何連接的神經(jīng)科學(xué)家有用。將來，這種方法有助于治療抑郁癥等情緒障礙。研究人員目前正致力于將他們的模型擴(kuò)展到下顳葉皮層，進(jìn)入杏仁核，這是參與情緒處理的區(qū)域。

Bashivan說：“如果我們有一個很好的神經(jīng)元模型，這個模型可以讓我們的神經(jīng)元參與體驗(yàn)情緒，或者引發(fā)各種各樣的紊亂，那么我們就可以用這個模型來驅(qū)動神經(jīng)元，從而幫助改善這些紊亂。”

“他們成功地做到了這一點(diǎn)，真的很了不起。就好像，至少對那個神經(jīng)元來說，它的理想圖像突然變成焦點(diǎn)，神經(jīng)元突然被提供了它一直在尋找的刺激，”匹茲堡大學(xué)生物工程副教授Aaron Batista評價道：“這是一個了不起的想法，一項(xiàng)了不起的壯舉。這可能是迄今為止，對使用人工神經(jīng)網(wǎng)絡(luò)來理解真實(shí)神經(jīng)網(wǎng)絡(luò)的最強(qiáng)有力的驗(yàn)證。”