人工智能正在幫助科學家解釋我們的大腦

大腦通常被稱為黑匣子，但任何研究過內部的神經科學家都知道這是一種令人清醒的輕描淡寫。技術進步使我們的神經回路越來越容易接近，使我們能夠密切觀察任何數量的神經元的活動。

大腦以多種方式對信息進行編碼。冷泉港實驗室助理教授TatianaEngel是一名物理學家，后來成為計算神經科學家，她正在開發數學模型來了解神經元協作做出決策的不同方式。圖片來源：PublicDomainPicturesviaPixabay，免費許可

然而，大腦的奧秘只會加深。尖峰神經元的集體合唱中嵌入的含義是什么?他們的活動如何將光和聲波轉化為我們對視覺和聽覺的主觀體驗?神經元執行哪些計算，它們遵循哪些廣泛的管理原則?大腦不是一個黑匣子——它是一個陌生的世界，語言和地方法律尚未破解，直覺會消亡。

人工智能可以為我們解決這個問題嗎?可能。但最近的一個認識是，即使是我們在人工智能技術方面取得巨大成功的最新、最強大的工具，在解碼大腦方面也步履蹣跚。

機器學習算法，例如人工神經網絡，已經解決了許多復雜的任務。他們可以預測天氣和股市，或者識別物體和面孔，而且至關重要的是，他們可以在沒有我們告訴他們規則的情況下做到這一點。至少在理論上，他們應該能夠自己學習大腦活動數據中隱藏的模式，并向我們講述大腦如何運作的故事。他們確實講了一個故事。只是，正如一些科學家發現的那樣，這個故事不一定來自我們的大腦。

這就是冷泉港實驗室(CSHL)助理教授TatianaEngel最近在研究大腦決策時發現的。從物理學家轉為計算神經科學家，恩格爾致力于開發數學模型，以幫助解釋神經元在我們做出決定時的作用。

雖然神經科學家有一些理論，但他們還沒有就決策，即使是最簡單的決策，是如何在大腦中實施達成一致的解釋。為了探索更廣泛的可能性，Engel轉向了機器學習：她沒有從特定的假設著手對神經活動進行建模，而是從靈活的模型開始，這些模型可以根據數據塑造自己，并在他們的模型中計算出方程的參數。自己的。

在這種方法中，然后根據生成的模型預測一組他們以前從未見過的新大腦測量值的能力來判斷它們。但在此過程中，恩格爾想知道，我們有多確定得分最高的模型反映了大腦的潛在邏輯?

“現在在神經科學以及其他領域越來越普遍，使用這種類型的靈活模型作為了解真實物理、生物系統的工具，”恩格爾說。“所以我們建立了一個模型，它可以很好地預測來自系統的數據。然后有這樣一種假設，即這樣的模型應該以類似于真實系統的方式運行，因此，通過研究模型的工作原理，我們將了解系統的工作原理。”

通常情況下，這種假設可能是沒有根據的。在2020年的一項研究中，Engel和她的同事、CSHL的博士后MikhailGenkin研究了靈活模型在合成數據上的效果，研究人員知道合成數據的內部動態。他們發現，與直覺相反，有時被評為最強預測變量的模型與生成數據的原始系統的核心特征相距甚遠。

“它們可能具有系統中根本不存在的特征或屬性，”恩格爾說。“一個模型可以對數據做出很好的預測，但仍然是錯誤的。”換句話說，預測能力(機器學習算法的黃金標準)在神經科學應用方面可能是一個誤導性指標。

如果沒有有效的計算模型，科學家們可能很難理解海量的大腦數據并解釋神經活動如何產生大腦功能。恩格爾的發現和其他研究人員的發現可能會讓人覺得對人工智能幫助大腦建模的能力的高度吹捧的承諾是一個打擊。

然而，這些問題并非無法克服，Engel說。她和其他人已經想出了避免這些陷阱的想法。他們正在開發方法，使他們能夠繼續使用AI的強大工具，而不會陷入誤導性故事。

冰山一角

描述神經元行為的計算嘗試總是會帶來一些微不足道的教訓，即使這些嘗試是成功的。1952年，艾倫·霍奇金(AlanHodgkin)和安德魯·赫胥黎(AndrewHuxley)將神經元想象成一個電路，其精心布置的電阻器和電容器可以產生類似于神經元特征尖峰的電流，這是大腦中通信的基石。

該模型被證明是一項關鍵成就，但僅通過查看方程式就知道這一點遠非簡單。赫胥黎花了數天時間煞費苦心地將電壓數字輸入機械計算器，以查看電路的結果是否與真正的神經元相匹配，他對這個相對簡單的模型的復雜行為感到驚訝。

“很多時候，我的期望被證明是錯誤的，”他在十年后的諾貝爾獎演講中回憶道。“我從這些手動計算中學到的一個重要教訓是，在嘗試處理這種復雜程度的系統時，一個人的直覺完全不足。”

神經科學家現在面臨著更高數量級的復雜性，因為他們已經開始研究活體動物和人的神經元種群。即使只有100個神經元，數據也大得令人眼花繚亂。它動態變化，沒有明顯的韻律和原因。而且很少清楚其中哪些部分與正在研究的大腦功能真正相關。這些因素使得提出模型、概念或數學模型來描述神經活動變得更加困難。

更難的是弄清楚哪個提出的模型解釋了神經元的真實情況，以及哪個模型是數據的幸運數學匹配。在不了解大腦的基本規則的情況下，科學家們能做的最好的事情就是看看這些模型是如何相互疊加的。

“就好像我們所看到的只是一輛移動的汽車，我們必須通過對引擎蓋下發生的事情做出假設來找出它是如何移動的，”與Engel合作制定決策的波士頓大學神經科學家ChandramouliChandrasekaran說研究。“然后，我們試圖找出提出的想法，比如模型A和模型B，在匹配我們對汽車運動的測量方面做得更好。”

Chandrasekaran說，盡管這種方法越來越流行，但這種方法仍然可能在一些重要方面失敗。作為直接從事大腦測量工作的混合計算和實驗研究人員，Chandrasekaran直接知道神經活動與平穩行駛的汽車完全不同——它自然過于復雜，無法完全融入我們粗略勾畫的模型的線條中。

“實驗數據通常更加復雜和異構。就是這樣。它并不像你想象的那么簡單和精美，”他說。Chandrasekaran表明，這在實踐中意味著，神經活動的切向變化有時會導致它被歸類為模型A，而實際上它遵循模型B，反之亦然。這就是為什么不能保證直接比較兩個模型來識別正確模型的原因之一。

最近在決策領域爆發的激烈辯論凸顯了這些困難。它始于2015年《科學》雜志上一篇有爭議的發現，該論文比較了大腦如何做出決定的兩種模型，特別是感知模型。感知決策涉及大腦對其接收到的感官信息做出判斷：它是紅色還是綠色?它是向右移動還是向左移動?

簡單的決定，但如果您在交通站點，后果會很嚴重。為了研究大腦如何制造它們，研究人員幾十年來一直在記錄動物神經元組的活動。當繪制神經元的放電率并在試驗中取平均值時，它會呈現出逐漸上升的信號，“加速”做出決定。

在基于自1990年代以來一直存在的有影響力的模型的標準敘述中，斜坡反映了神經元逐漸積累的證據。換句話說，這就是神經元發出決定信號的方式：通過增加它們的放電率，因為它們收集有利于一種或另一種選擇的證據，直到它們滿意為止。

然而，2015年的研究詢問了斜坡上升是否是平均試驗的產物。分析單一試驗的凌亂有限數據要困難得多，但其中會發生什么?神經元的放電率真的會增加還是會發生離散的跳躍?這種區別可能指向不同的決策策略。他們的分析表明，神經元的反應比跳躍模型更好地匹配跳躍模型。幾年和許多研究之后，科學家們仍然沒有確定哪種模型是正確的。

情況可能更糟：這兩種模式都可能不正確。“如果有C型怎么辦?還是D?”恩格爾說。如果她可以測試連續模型而不是兩個模型怎么辦?這就是靈活建模最有用的地方，因為它不會將她限制在少數幾個場景中。但恩格爾發現，這種方法還可以選擇與引擎蓋下的物理現實沒有太多共同點的場景。首先，她必須想辦法解決這個問題。

反映現實

靈活模型的開發考慮了機器學習的目標：優化預測能力。通過這種方式，他們可以將他們從一組數據中學到的知識應用到他們以前從未見過的新數據中。例如，當構建一個分類器來區分貓和狗時，目標是在現實世界中它仍然可以區分貓和狗。算法是否使用與我們的大腦相同的策略來實現這一點并不重要。事實上，在這種情況下，它肯定不會。

另一方面，神經科學家有一個根本不同的目標：他們不想僅僅為數據擬合模型，而是從數據中發現假設。他們希望有一個模型，可以從神經活動中學習如何像神經元一樣。

“我們不得不放棄優化預測模型的想法，并提出一種新的方法來提出不同的目標，”恩格爾說。她與Genkin一起關注的事實是，在不同的數據樣本中，真實特征是相同的，但噪聲是不同的。

因此，他們開發了一種新程序，可以在不同的數據樣本上發現模型，并提取它們的共同特征。這種新方法確定了合成數據的正確模型。當應用于真實的大腦數據時，它為每個樣本得出了相似的模型，這表明與傳統方法的瘋狂猜測不同，這些模型捕捉到了系統的一些真實特征。

該解決方案發表在NatureMachineIntelligence上，將使靈活的模型在其原始目的之外更具可擴展性，并且對生物科學更有用。Engel說，它可能不是針對神經科學中使用的所有AI工具案例的解決方案，但它可以改進靈活模型的應用，神經科學家廣泛使用這種模型。

對于恩格爾本人來說，它已經開始對決策產生新的見解。與Chandrasekaran合作，該團隊正在探索他們最初的問題：什么樣的模型最能描述決策過程中的神經活動?到目前為止，他們看到的既不是斜坡也不是跳躍。他們的發現會解決爭論嗎?還是將其踢進另一輪?希望我們很快就會知道。