Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

I ricercatori sviluppano il nuovo modello per osservare il fenomeno dell'auto-ottimizzazione nelle reti di un neurone

I ricercatori al gruppo Cyber-Fisico dei sistemi al banco di USC Viterbi di assistenza tecnica, insieme con l'università dell'Illinois aUrbana-Champagne, hanno sviluppato un nuovo modello di come le informazioni in profondità nel cervello potrebbero scorrere dall'una rete un altro e di come questi cluster di un neurone della rete auto-ottimizzano col passare del tempo.

Il loro lavoro, descritto “nelle caratteristiche di carta di scienza della rete delle culture di un neurone Cervello-Derivare decifrate dai dati quantitativi della rappresentazione di fase,„ è creduto per essere il primo studio per osservare questo fenomeno dell'auto-ottimizzazione nelle reti di un neurone in vitro e modelli esistenti dei contatori. I loro risultati possono aprire le nuove direzioni della ricerca per intelligenza artificiale biologicamente ispirata, rilevazione di tumore al cervello e la diagnosi e possono contribuire a o ispirare le strategie del trattamento di nuovo Parkinson.

Il gruppo ha esaminato la struttura e l'evoluzione delle reti di un neurone nei cervelli dei mouse e dei ratti per identificare i reticoli della connettività. L'autore corrispondente ed il professore associato elettrotecnico e di calcolo Paul Bogdan di assistenza tecnica mette questo lavoro nel contesto spiegando come il cervello funziona nel processo decisionale. Fornisce di rimandi l'attività di cervello che accade quando qualcuno è percepito contare le schede. Dice che il cervello non potrebbe realmente memorizzare tutte le opzioni della scheda ma piuttosto “sta conducendo un tipo di modello di incertezza.„ Il cervello, dice sta ottenendo a considerevoli informazioni da tutte le connessioni i neuroni.

Il dinamico ragruppando quello sta accadendo in questo scenario sta permettendo al cervello di misurare i vari gradi di incertezza, di ottenere le descrizioni probabilistiche approssimative e di capire che specie di circostanze sono meno probabili.

“Abbiamo osservato che le reti del cervello hanno una capacità straordinaria di minimizzare la latenza, massimizzare la capacità di lavorazione e massimizzare la robustezza mentre facendo tutti i quelli in un modo distribuito (senza un gestore o un coordinatore centrale).„ Bogdan detto che tiene la presidenza in anticipo di carriera di Jack Munushian al dipartimento di Ming Hsieh di ingegneria elettrica. “Questo significa che le reti di un neurone negoziano a vicenda e connettono l'un l'altro in un modo che migliora rapido le prestazioni di rete eppure le norme di connettere sono sconosciute.„

Con sorpresa di Bogdan, nessuno dei modelli matematici classici impiegati dalla neuroscienza potevano ripiegare esattamente questo fenomeno emergente dinamico della connettività. Facendo uso dell'analisi multifractal e di una tecnica di rappresentazione novella chiamata fase quantitativa immaginare (QPI) si è sviluppata da Gabriel Popescu, un professore di elettrico e l'ingegneria informatica all'università dell'Illinois aUrbana-Champagne, un co-author sullo studio, il gruppo di ricerca poteva modellare ed analizzare questo fenomeno con alta precisione.

Applicazioni di salubrità

I risultati di questa ricerca hanno potuto avere un impatto significativo sull'individuazione tempestiva dei tumori cerebrali. Avendo una migliore mappa topologica delle attività sane del cervello e del cervello da confrontare--sarà più facile presto da individuare le anomalie strutturali dalla rappresentazione la connettività dinamica fra i neuroni in varie mansioni conoscitive senza dovere fare le procedure più dilaganti.

Dice il co-author Chenzhong Yin, uno studente di Ph.D. nel gruppo cyber dei sistemi fisici di Bogdan, “Cancro si sparge nei piccoli gruppi di celle e non può essere individuato mediante FMRI o altre tecniche di rilevamento finché non sia troppo tardi.„

“Ma con questo metodo possiamo preparare A.I. per diagnosticare presto e perfino predire le malattie riflettendo e scoprendo le interazioni microscopiche anormali fra i neuroni, Yin aggiunto.

I ricercatori ora stanno cercando di perfezionare i loro algoritmi e gli strumenti della rappresentazione per uso nel video delle queste reti di un neurone complesse vivono interno un cervello vivente.

Ciò potrebbe avere domande supplementari di malattie come Parkinson, che comprende perdere le connessioni di un neurone fra gli emisferi destri e sinistri nel cervello.

“Collocando un'unità di rappresentazione sul cervello di un animale vivo, possiamo egualmente riflettiamo ed osserviamo le cose come le reti di un neurone che crescono e che si restringono, come la memoria e la cognizione si formano, se una droga è efficace ed infine come imparare accade. Possiamo poi cominciare a progettare le migliori reti neurali artificiali che, come il cervello, avrebbero la capacità auto-di ottimizzare.„

Uso per intelligenza artificiale

Avere questo livello di accuratezza può darci una più chiara maschera dei funzionamenti interni dei cervelli biologici e come possiamo potenzialmente ripiegare quelli in cervelli artificiali.„

Paul Bogdan, autore corrispondente e professore associato

Poichè gli esseri umani noi hanno la capacità di imparare le nuove mansioni senza dimenticare quei vecchi. Le reti neurali artificiali, tuttavia, soffrono da che cosa è conosciuto come il problema di dimenticare catastrofico. Vediamo questo quando proviamo ad insegnare ad un robot a due mansioni successive come le scale rampicanti e poi spegnere l'indicatore luminoso.

Il robot può sovrascrivere la configurazione che ha permesso che scalasse le scale mentre si sposta verso lo stato ottimale per l'esecuzione del secondo compito, spegnenti l'indicatore luminoso. Ciò accade perché i sistemi d'insegnamento profondi contano sulle quantità enormi di dati di addestramento per padroneggiare il più semplice delle mansioni.

Se potessimo ripiegare come il cervello biologico permette all'apprendimento continuo o alla nostra abilità conoscitiva per l'illazione induttiva, Bogdan crede, noi potrebbe insegnare a A.I. alle mansioni multiple senza un aumento nella capacità di rete.