هوش مصنوعی

Al helps scientists understand brain activity behind thoughts
Date:
November 24, 2020
Source:
Baylor College of Medicine
Summary:
Researchers have developed artificial intelligence (Al) models that help them better understand the brain computations that underlie thoughts.

هوش مصنوعی به دانشمندان کمک می کند تا فعالیت مغز را در پشت افکار درک کنند
تاریخ:
24 نوامبر 2020
منبع:
کالج پزشکی بیلور
خلاصه:
محققان مدل های هوش مصنوعی (Al) را ایجاد کرده اند که به آنها کمک می کند محاسبات مغزی زیربنای افکار را بهتر درک کنند

FULL STORY
A team led by researchers at Baylor College of Medicine and Rice University has developed artificial intelligence (AI) models that help them better understand the brain computations that underlie thoughts. This is new, because until now there has been no method to measure thoughts. The researchers first developed a new model that can estimate thoughts by evaluating behavior, and then tested their model on a trained artificial brain where they found neural activity associated with those estimates of thoughts. The theoretical study appears in the Proceedings of the National Academy of Sciences.
داستان كامل
تیمی به سرپرستی محققان کالج پزشکی بیلور و دانشگاه رایس مدلهای هوش مصنوعی (Al) را ایجاد کرده اند که به آنها کمک می کند محاسبات مغزی را که اساس افکار است درک کنند. این جدید است ، زیرا تاکنون روشی برای اندازه گیری افکار وجود نداشته است. محققان ابتدا مدل جدیدی را ایجاد کردند که می تواند با ارزیابی رفتار ، افکار را تخمین بزند و سپس مدل آنها را روی مغز مصنوعی آموزش دیده آزمایش کردند که در آنجا فعالیت عصبی مرتبط با آن تخمین افکار پیدا کردند. این مطالعه نظری در مجموعه مقالات آکادمی ملی علوم ظاهر می شود.

“For centuries, neuroscientists have studied how the brain works by relating brain activity to inputs and outputs. For instance, when studying the neuroscience of movement, scientists measure muscle movements as well as neuronal activity, and then relate those two measurements,” said corresponding author Dr. Xaq Pitkow, assistant professor of neuroscience at Baylor and of electrical and computer engineering at Rice. “To study cognition in the brain, however, we don’t have anything to compare the measured neural activity to.”

“برای قرن ها ، دانشمندان علوم مغز و اعصاب نحوه کار مغز را با ارتباط فعالیت مغز به ورودی و خروجی بررسی کرده اند. به عنوان مثال ، هنگام مطالعه علوم اعصاب حرکت ، دانشمندان حرکات عضلانی و همچنین فعالیت عصبی را اندازه گیری می کنند ، و سپس این دو اندازه گیری را با هم مرتبط می کنند” نویسنده دکتر Xaq Pitkow ، استادیار علوم اعصاب در Baylor و مهندسی برق و کامپیوتر در Rice. “برای مطالعه شناخت در مغز ، ما چیزی برای مقایسه فعالیت عصبی اندازه گیری شده نداریم.”

To understand how the brain gives rise to thought, researchers first need to measure a thought. They developed a method called “Inverse Rational Control” that looks at a behavior and infers the beliefs or thoughts that best explain that behavior.

برای درک اینکه چگونه مغز باعث ایجاد فکر می شود ، ابتدا محققان باید یک فکر را بسنجند. آنها روشی را ایجاد کردند به نام “کنترل منطقي معکوس” که به یک رفتار نگاه می کند و باورها یا افکاری را که به بهترین وجه آن رفتار را توضیح می دهند استنباط می کند.

Traditionally, researchers in this field have worked with the idea that animals solve tasks optimally, behaving in a way that maximizes their net benefits. But when scientists study animal behavior, they find that this is not always the case.

به طور سنتی ، محققان در این زمینه با این ایده کار می کردند که حیوانات وظایف را به صورت بهینه حل می کنند ، طوری رفتار می کنند که منافع خالص آنها را به حداکثر می رساند. اما وقتی دانشمندان رفتار حیوانات را مطالعه می کنند ، متوجه می شوند که همیشه اینطور نیست.

“Sometimes animals have ‘wrong’ beliefs or assumptions about what’s going on in their environment, but still they try to find the best long-term outcomes for their task, given what they believe is going on around them. This could account for why animals seem to behave suboptimally,” said Pitkow, who also is a McNair Scholar at Baylor, co-director of Baylor’s Center for Neuroscience and Artificial Intelligence and member of the Rice Neuroengineering Initiative.

“بعضی اوقات حیوانات درباره آنچه در محیط زندگی آنها اتفاق می افتد باورها یا فرضیات” اشتباهی “دارند ، اما با این وجود به عقیده آنها در اطرافشان بهترین نتایج طولانی مدت را برای کار خود پیدا می کنند. این می تواند دلیل حیوانات باشد به نظر می رسد رفتار فوق العاده خوبی ندارد “، گفت: پیتکوو ، که همچنین یک محقق مک نایر در Baylor ، مدیر مشترک مرکز علوم اعصاب و هوش مصنوعی Baylor و عضو طرح مهندسی مغز و اعصاب رایس است.

For example, consider an animal that is hunting and hears many noises it associates with prey. If one potential prey is making all the noises, the optimal behavior for the hunter is to consistently target its movements to a single noise. If the hunter mistakenly believes the noises are coming from many different animals, it may choose a suboptimal behavior, like constantly scanning its surroundings to try and pinpoint one of them. By acting according to its belief or assumption that there are many potential prey nearby, the hunter is behaving in a way that is simultaneously ‘rational’ and ‘suboptimal.’

به عنوان مثال ، یک حیوان را در نظر بگیرید که در حال شکار است و صداهای زیادی را که با طعمه مرتبط می کند می شنود. اگر یک طعمه بالقوه همه صداها را تولید می کند ، رفتار مطلوب برای شکارچی این است که به طور مداوم حرکات خود را به یک صدا بکشد. اگر شکارچی به اشتباه باور داشته باشد که سر و صدا از حیوانات مختلفی در می آید ، ممکن است یک رفتار غیربهینه را انتخاب کند ، مانند اسکن مداوم محیط اطراف برای امتحان و مشخص کردن یکی از آنها. شکارچی با عمل به عقیده یا فرض خود مبنی بر اینکه طعمه های بالقوه زیادی در این نزدیکی وجود دارد ، رفتاری کاملاً منطقی و غیربهینه انجام می دهد.

In the second part of the work, Pitkow and his colleagues developed a model to relate the thoughts that were identified using the Inverse Rational Control method to brain activity.

در قسمت دوم کار ، Pitkow و همکارانش مدلی را برای ارتباط افکار شناسایی شده با استفاده از روش کنترل منطقی معکوس با فعالیت مغز ایجاد کردند.

“We can look at the dynamics of the modeled thoughts and at the dynamics of the brain’s representations of those thoughts. If those dynamics run parallel to each other, then we have confidence that we are capturing the aspects of the brain computations involved in those thoughts,” Pitkow said. “By providing methods to estimate thoughts and interpret neural activity associated with them, this study can help scientists understand how the brain produces complex behavior and provide new perspectives on neurological conditions.”

“ما می توانیم به پویایی افکار مدل شده و پویایی بازنمایی مغز از آن افکار نگاه کنیم. اگر این پویایی ها موازی یکدیگر باشند ، پس اطمینان داریم که جنبه های محاسبات مغز را درگیر می کنیم که درگیر این افکار هستند. ، “پیتکوو گفت. “با ارائه روش هایی برای تخمین افکار و تفسیر فعالیت های عصبی مرتبط با آنها ، این مطالعه می تواند به دانشمندان کمک کند تا درک کنند که مغز چگونه رفتار پیچیده ای ایجاد می کند و دیدگاه های جدیدی در مورد شرایط عصبی ارائه می دهد.”

Other contributors to this work include Zhengwei Wu, Minhae Kwon, Saurabh Daptardar and Paul Schrater. The authors are affiliated with one or more of the following institutions: Baylor College of Medicine, Rice University, Soongsil University, Google Maps, and the University of Minnesota.

از دیگر عوامل این کار می توان به Zhengwei Wu ، Minhae Kwon ، Saurabh Daptardar و Paul Schrater اشاره کرد. نویسندگان به یک یا چند موسسه زیر وابسته هستند: کالج پزشکی بیلور ، دانشگاه رایس ، دانشگاه سونگ سیل ، نقشه های گوگل و دانشگاه مینه سوتا.

This work was supported in part by in part by BRAIN Initiative grant NIH 5U01NS094368, an award from the McNair Foundation, the Simons Collaboration on the Global Brain award 324143, the National Science Foundation award 1450923 BRAIN 43092 and NSF CAREER Award IOS-1552868.

این کار پشتيباني شد در بخش توسط بخشي توسط مغز ابتكار عمل اعطا كردن 5U01NS094368 ، جایزه ای از بنیاد McNair ، جایزه همکاری سیمونز در مورد مغز جهانی 324143 ، جایزه بنیاد ملی علوم 1450923 BRAIN 43092 و جایزه حرفه IOS-1552868 Nfs

Story Source
منبع داستان:

Materials provided by Baylor College of Medicine. Note: Content may be edited for style and length.

Journal Reference:

Zhengwei Wu, Minhae Kwon, Saurabh Daptardar, Paul Schrater, Xaq Pitkow. Rational thoughts in neural codes. Proceedings of the National Academy of Sciences, 2020; 201912336 DOI: 10.1073/pnas.1912336117

مواد ارائه شده توسط کالج پزشکی بیلور. توجه: ممکن است محتوا برای سبک و طول ویرایش شود.

مرجع ژورنال:

ژنگ وی وو ، مینهای کوون ، ساوراب دپتاردار ، پل شراتر ، خاق پیتکوو. افکار منطقی در کدهای عصبی. مجموعه مقالات آکادمی ملی علوم ، 2020 ؛ 201912336 DOI: 10.1073 / pnas.1912336117

مترجم :فرزانه فراهانی
۹۹/۱۰/۰۲