Wpływ głębokich sieci neuronowych na badania nad mózgiem
Głębokie sieci neuronowe oparte na modelach wizualnej kory mózgowej stosują liniowe modele, aby mapować cechy obrazu na reakcje neuronów w korze IT małp. Wykorzystanie danych neuronowych z rzeczywistych badań pozwala na ocenę możliwości takich modeli w symulacji procesów w mózgu.
Generalizacja obrazów przez ludzki mózg
Jedną z największych zdolności ludzkiego mózgu jest generalizacja obrazów. Rozpoznawanie obiektów, takich jak krzesła, w różnych kształtach, miejscach czy warunkach oświetleniowych to proces, który odbywa się niemal bez wysiłku. Głębokie sieci neuronowe, mimo że inspirowane funkcjonowaniem mózgu, radzą sobie z tym zagadnieniem znacznie gorzej.
Badania nad ograniczeniami modeli neuronowych
W badaniach zaprezentowanych podczas konferencji Neural Information Processing Systems oraz na platformie arXiv wykazano, że szeroko akceptowane sposoby modelowania mózgu mogą być fundamentalnie wadliwe. Problem dotyczy zwłaszcza generalizacji w przypadku danych spoza zbioru treningowego, znanych jako „out-of-distribution” data.
Porównanie zdolności modeli i mózgu
Modele głębokich sieci neuronowych działają dobrze na danych, na których były trenowane, jednak nie radzą sobie z nowymi warunkami. Wyniki badań wykazały, że dokładność takich modeli w sytuacjach nowych spada o około 80%, co podważa ich wartość jako narzędzia do modelowania ludzkiego mózgu.
Zastosowanie danych eksperymentalnych
Zespół badawczy przeprowadził eksperymenty na małpach, pokazując im tysiące obrazów w różnych warunkach. W trakcie 109 sesji zebrano 300 000 par obraz-reakcja neuronowa, co stanowi jedno z największych takich zbiorów danych. Wyniki porównano z reakcjami generowanymi przez modele.
Problemy modeli z nowymi warunkami
Podczas testów modele działały poprawnie na znanych danych, ale kompletnie zawodziły w przypadku zmienionych warunków, takich jak kontrast, nasycenie czy temperatura obrazu. Takie wyniki wskazują na konieczność poprawy algorytmów, aby lepiej odzwierciedlały procesy neuronalne.
Znaczenie badań dla AI i neuronauki
Zagadnienie generalizacji od dawna stanowi wyzwanie dla sztucznej inteligencji. Badania pokazują, że problemy te mają również wpływ na neuronaukę, co może przyczynić się do bliższej współpracy obu dziedzin w celu rozwiązania tego problemu.
Wpływ AI na inne dziedziny nauki
Modele AI, mimo swoich ograniczeń, wpływają na wiele dziedzin, w tym na rozumienie biologicznej inteligencji. Wyniki badań podkreślają, że ograniczenia w generalizacji mogą fundamentalnie utrudniać ich wykorzystanie do badań nad mózgiem.
