شبیه‌سازی مغز در موش‌های صحرایی مجازی توسط دانشمندان با هوش مصنوعی

به گزارش فاخته، موش‌های صحرایی هوش مصنوعی واقع‌گرایانه می‌توانند سرعت پیشرفت در روان‌شناسی زیستی، رباتیک، زیست‌فناوری و داروسازی را افزایش دهند.
درک مکانیزم‌های بیولوژیکی زیربنای رفتار انسان و حیوان می‌تواند به پیشرفت صنایع بسیار مهمی مانند پزشکی، بهداشت، رباتیک، هوش مصنوعی (AI) و موارد دیگر کمک کند.
روز سه‌شنبه، دانشمندان دانشگاه هاروارد و گوگل DeepMind مطالعه‌ی جدیدی در مجله‌ی Nature منتشر کردند که نشان می‌دهد چگونه یادگیری عمیق تقویتی هوش مصنوعی می‌تواند برای ایجاد یک موش صحرایی مجازی واقع‌گرایانه استفاده شود که ممکن است به پیشرفت عصب‌شناسی رفتاری و تحقیقات حیاتی در بسیاری از زمینه‌ها کمک کند.
عصب‌شناسی رفتاری، که همچنین با نام روان‌شناسی زیستی، روان‌شناسی فیزیولوژیکی، زیست‌روان‌شناسی یا روان‌شناسی زیستی شناخته می‌شود، به مطالعه‌ی اساس عصبی و بیولوژیکی رفتار در انسان و حیوان می‌پردازد. این یک رشته‌ی علمی میان‌رشته‌ای است که عناصر فیزیک، زیست‌شناسی، شیمی، ریاضیات و روان‌شناسی را با هم ترکیب می‌کند.
روان‌شناسی زیستی برای رباتیک، هوش مصنوعی، روان‌شناسی رشد، روان‌شناسی شناختی، روان‌پزشکی، نورواندوکرینولوژی (انصافاً اسم سختی دارد!)، شنوایی‌شناسی، بیوشیمی، کشف دارو، زیست‌فناوری، مراقبت‌های بهداشتی، پزشکی، فناوری کمکی، داروسازی، آسیب‌شناسی گفتار و زبان، دامپزشکی و سایر زمینه‌ها مفید است.
دکتر بنس پی. اولوتسکی، استاد زیست‌شناسی ارگانیسمی و تکاملی برای علوم مغزی در هاروارد که این مطالعه را با همکاری جاش مرل، جسی دی. مارشال، لئونارد هازنکلور، اوگنه کلیبایت، آماندا گلیس، یوال تاسا، گرگ وین، دیگو آلدوروندو و متیو بوتوینیک رهبری کرده است، می‌نویسد:
«حیوانات کنترل فوق‌العاده‌ای روی بدن خود دارند که به آن‌ها اجازه می‌دهد تا رفتارهای متنوعی را انجام دهند. با این حال، این که چگونه این کنترل توسط مغز اجرا می‌شود، هنوز مشخص نیست.»
این مقاله چگونگی ایجاد یک پستاندار مجازی واقع‌گرایانه «در سیلیکو» (به‌صورت محاسباتی) را شرح می‌دهد - در این مورد، مدل‌سازی الگوریتمی موش‌های صحرایی در حال حرکت. برای این مطالعه، طراحی هوش مصنوعی شامل یک رمزگذار بینایی، یک رمزگذار حس عمقی، یک ماژول هسته که با پس‌انتشار آموزش داده شده است، و یک ماژول سیاستی متشکل از یک یا چند شبکه‌ی عصبی بازگشتی با حافظه‌ی بلندمدت (LSTM) است.
محققان نوشتند:
«ما از یادگیری عمیق تقویتی برای آموزش این عامل مجازی برای تقلید رفتار موش‌های صحرایی در حال حرکت آزاد استفاده کردیم و بدین ترتیب به ما این امکان را دادیم که فعالیت عصبی ثبت‌شده در موش‌های واقعی را با فعالیت شبکه‌ی یک موش صحرایی مجازی که رفتار آنها را تقلید می‌کند، مقایسه کنیم.»
یادگیری عمیق تقویتی: مغز متفکر موش‌های صحرایی مجازی
در قلب این موش‌های صحرایی هوش مصنوعی واقع‌گرایانه، نوعی یادگیری ماشینی به نام «یادگیری عمیق تقویتی» قرار دارد. این روش، شبکه‌های عصبی عمیق را با یادگیری تقویتی ترکیب می‌کند تا به یک عامل (در این‌جا موش مجازی) اجازه دهد تا از طریق نتایج اعمالش رفتار بیاموزد.
شبکه‌های عصبی عمیق (DNN) نوعی از شبکه‌های عصبی مصنوعی (ANN) هستند که از یک لایه‌ی ورودی، یک لایه‌ی خروجی و تعداد زیادی لایه‌ی پنهان برای پردازش و انتقال داده در بین آن‌ها تشکیل شده‌اند. هر چه تعداد لایه‌ها بیشتر باشد، شبکه‌ی عصبی عمیق‌تر است.
در هوش مصنوعی، الگوریتم‌های یادگیری تقویتی از نتایج به دست آمده برای تعیین مراحل بعدی با هدف دستیابی به بهترین نتیجه برای به حداکثر رساندن پاداش یاد می‌گیرند. یادگیری تقویتی (RL) نوعی از یادگیری ماشینی هوش مصنوعی است که یادگیری با آزمون و خطا و بازخوردی که از طریق تعامل با محیط تصفیه می‌شود را شبیه‌سازی می‌کند.
یادگیری تقویتی برای سناریوهای پیچیده‌ی دنیای واقعی که در آن‌ها تصمیمات فعلی بر نتایج آینده تأثیر می‌گذارند، کاربرد دارد. انواع پاداش می‌توانند مثبت، منفی، تنبیهی، حذف، دوره‌ای یا مداوم باشند. یک نمونه‌ی واقعی از نوعی یادگیری تقویتی آنالوگ، دادن تشویقی به شکل غذا به یک سگ خانگی است هنگامی که به فرمان «بشین» عمل می‌کند، به عنوان پاداش و شکلی از تقویت مثبت.
یادگیری تقویتی برای رباتیک، وسایل نقلیه‌ی خودران، مراقبت‌های بهداشتی، بازی‌های کامپیوتری، موتورهای توصیه، پزشکی شخصی و موارد بیشتری استفاده می‌شود.
محققان با استفاده از یک موتور مبتنی بر فیزیک برای کنترل مبتنی بر مدل و اندازه‌گیری‌های واقعی موش‌های آزمایشگاهی، یک بدن مجازی موش صحرایی ایجاد کردند. سپس آن‌ها موش صحرایی مجازی را با وظایف مختلفی مانند پریدن، جستجوی غذا، فرار و لمس دوگانه به چالش کشیدند.
دانشمندان گزارش دادند:
«ما دریافتیم که فعالیت عصبی در مخطط حسی-حرکتی و قشر حرکتی توسط فعالیت شبکه‌ی موش صحرایی مجازی بهتر از هر ویژگی از حرکات موش واقعی پیش‌بینی می‌شد، که با اجرای دینامیک معکوس توسط هر دو ناحیه سازگار است.»
این دستاوردی هیجان‌انگیز است که ممکن است هر دو هوش مصنوعی و علوم اعصاب را تسریع کند. به گفته‌ی دانشمندان، آن‌ها می‌توانند فعالیت عصبی، رفتار و ورودی‌های حسی و همچنین اهداف آموزشی مدل، منابع واریانس و اتصالات را به طور کامل کنترل کنند.
محققان نتیجه‌گیری کردند:
«این نتایج نشان می‌دهند که چگونه شبیه‌سازی فیزیکی حیوانات مجازی با واقع‌گرایی بیومکانیکی می‌تواند به تفسیر ساختار فعالیت عصبی در سراسر رفتار و ارتباط آن با اصول نظری کنترل حرکتی کمک کند.»
منبع: فارس