Kunstmatige neurale netwerken gemodelleerd naar echte hersenen kunnen cognitieve taken uitvoeren

Een nieuwe studie toont aan dat kunstmatige-intelligentienetwerken op basis van menselijke hersenconnectiviteit cognitieve taken efficiënt kunnen uitvoeren.

Door MRI-gegevens uit een grote Open Science-repository te onderzoeken, reconstrueerden onderzoekers een hersenconnectiviteitspatroon en pasten dit toe op een kunstmatig neuraal netwerk (ANN). Een ANN is een computersysteem dat bestaat uit meerdere invoer- en uitvoereenheden, net zoals het biologische brein. Een team van onderzoekers van The Neuro (Montreal Neurological Institute-Hospital) en het Quebec Artificial Intelligence Institute trainden de ANN om een ​​cognitieve geheugentaak uit te voeren en observeerden hoe het werkte om de opdracht te voltooien.

Dit is in twee opzichten een unieke benadering. Eerder werk over hersenconnectiviteit, ook bekend als connectomics, was gericht op het beschrijven van de hersenorganisatie, zonder te kijken hoe het eigenlijk berekeningen en functies uitvoert. Ten tweede hebben traditionele ANN's willekeurige structuren die niet weerspiegelen hoe echte hersennetwerken zijn georganiseerd. Door hersenconnectomics te integreren in de constructie van ANN-architecturen, hoopten onderzoekers zowel te leren hoe de bedrading van de hersenen specifieke cognitieve vaardigheden ondersteunt, als om nieuwe ontwerpprincipes voor kunstmatige netwerken af ​​te leiden.

Ze ontdekten dat ANN's met menselijke hersenconnectiviteit, bekend als neuromorfe neurale netwerken, cognitieve geheugentaken flexibeler en efficiënter uitvoerden dan andere benchmarkarchitecturen. De neuromorfe neurale netwerken waren in staat om dezelfde onderliggende architectuur te gebruiken om een ​​breed scala aan leercapaciteiten in meerdere contexten te ondersteunen.

Het project verenigt twee levendige en snelle wetenschappelijke disciplines. Neurowetenschap en AI delen gemeenschappelijke wortels, maar zijn onlangs uit elkaar gegaan. Het gebruik van kunstmatige netwerken zal ons helpen te begrijpen hoe de hersenstructuur de hersenfunctie ondersteunt. Het gebruik van empirische gegevens om neurale netwerken te maken, zal op zijn beurt ontwerpprincipes onthullen om beter te bouwen AI. De twee zullen elkaar dus helpen informeren en ons begrip van de hersenen verrijken.