Машинное обучение встречается с нейронной инженерией

Я собираюсь признаться в том, чего никогда никому не говорил. Источником вдохновения для большинства моих текущих исследований на стыке нейробиологии, математики и машинного обучения послужила одна красивая сцена из фильма Ex Machina. Есть сцена, где два главных героя фильма Натан и Калеб находятся в лаборатории, где Натан построил Аву, гуманоидный искусственный интеллект (ИИ), где они рассказывают, как Натан сконструировал мозг Авы. Структурированный гель. Пришлось уйти от схемотехники. Мне нужно было что-то, что могло бы упорядочивать и перестраивать на молекулярном уровне, но сохраняло бы свою форму, когда это необходимо. Держась за воспоминания, переключаясь на мысли . Конечно, научная фантастика имеет долгую историю мотивирования и вдохновения того, что в конечном итоге становится настоящей наукой. И нигде это не так, как когда речь идет о мозге (хорошо, кроме, может быть, космосе), и в частности, когда дело доходит до интерфейсов мозг-машина (ИМТ), которые становятся доступными для искусственного интеллекта.

Слияние технологических возможностей создает возможность и создает условия для машинного обучения и искусственного интеллекта, позволяющих создавать« умные мозговые машинные интерфейсы». Устройства и технологии, которые предназначены для адаптации и реагирования на мозг пользователя, прогнозирования потребностей и намерений в зависимости от контекста. Обучение и адаптация к изменяющимся функциональным требованиям. ИМТ, имплантируемые хирургическим путем, находят важное применение в персонализированной клинической нейробиологии. А неинвазивные технологии ИМТ могут использоваться как в медицине, так и в играх, включая дополненную и виртуальную реальность.

Что такое интерфейсы "мозг-машина"?

Интерфейсы мозг-машина и мозг-компьютер (термины часто используются как синонимы) - это технологии, предназначенные для взаимодействия и взаимодействия с головным и спинным мозгом. (В научной фантастике подумайте о Матрице и о том, как они могут напрямую подключаться к своему мозгу через эти порты в основании черепа.) Одним из важных классов таких устройств являются хирургически имплантируемые нейронные протезы. Эти устройства предназначены для восстановления некоторой степени клинической функции пациентов, которые их получают. Они могут оказать неизмеримое влияние на качество жизни своих получателей и их семей. Например, замкнутая глубокая стимуляция мозга для лечения двигательных расстройств, таких как болезнь Паркинсона, которая может стимулировать мозг таким образом, чтобы он реагировал на сигналы мозга пациента и то, как мозг реагирует на стимуляцию. Другой пример - попытки восстановить зрение с помощью нервных протезов сетчатки. Сетчатка в ваших глазах, которая на самом деле является частью самого мозга, представляет собой светочувствительную нервную ткань, которая обнаруживает свет и преобразует его в набор сигналов, которые мозг может понять и интерпретировать. Эти примеры даже не касаются поверхности. Это очень большая и активная область исследований.

Однако не все ИМТ являются инвазивными или предназначены для хирургической имплантации. Растет класс неинвазивных технологий интерфейса мозг-машина, не предназначенных для клинического использования, а, скорее, предназначенных для улучшения пользовательского опыта и интерфейса управления для игр, включая приложения дополненной и виртуальной реальности. Обычно эти технологии полагаются на сигналы, производимые мозгом, которые могут быть обнаружены и измерены вне тела, такие как электроэнцефалография (ЭЭГ). Несмотря на разницу в направленности по сравнению с технологиями, направленными на лечение и восстановление клинической функции и качества жизни пациентов, нельзя сбрасывать со счетов игровой сектор. Это огромная экономическая движущая сила для продвижения технологий BMI наравне с приложениями в здравоохранении. И он может обеспечить использование знаний и ресурсов для использования в клинических исследованиях и лечении.

Как машинное обучение и искусственный интеллект могут обеспечить "умный" ИМТ

Машинное обучение и искусственный интеллект могут предоставить возможности для создания умного ИМТ, который контекстно обучается и адаптируется к меняющимся функциональным требованиям и требованиям. В идеале, интерпретация сигналов мозга для выполнения различных команд вывода в контекстном режиме в реальном времени. Даже потенциально предвосхищать и реагировать на намерения.

Эти виды технологий могут создавать индивидуальный опыт в играх, а также в дополненной и виртуальной реальности. И они предлагают возможность адаптировать реакцию ИМТ к индивидуальным меняющимся потребностям пациентов. Я не могу переоценить важность этого последнего пункта. До сих пор, какими бы сложными ни были инженерные решения при существующем уровне техники, BMI были довольно статичными в своем дизайне и функциональности. Любая способность устройств реагировать на мозг обязательно фиксируется на этапе проектирования. В случае нервного протеза после его имплантации не происходит автономной адаптации или обучения со стороны устройства. Никаких «доработок» его результатов для оптимизации взаимодействия с мозгом. Честно говоря, некоторые устройства допускают настройку после имплантации посредством периодического вмешательства человека (подумайте о пациенте, который приходит в клинику, где врач считывает результаты, а затем регулирует некоторые ручки). Но было невозможно сделать это в реальном времени или каким-либо автономным способом с помощью самих ИМТ, поскольку они постоянно узнают о мозге пользователя. Это была ситуация «один размер для всех».

Но теперь постоянные достижения в области нейронной инженерии, нанотехнологий и миниатюризации могут сочетаться с удивительным прогрессом в машинном обучении и искусственном интеллекте. В результате ИМТ может постоянно учиться у мозга, адаптироваться и, в свою очередь, оптимизировать взаимодействие с мозгом. Техника, которая реагирует на мозг, в отличие от самого мозга, реагирующего на разработку.

Какие преимущества машинного обучения и искусственного интеллекта предлагают ИМТ? Что именно изучают алгоритмы машинного обучения и как они могут использовать эту информацию для значимой адаптации? Эти алгоритмы могут изучать информацию, полученную с помощью обратной связи и телеметрии оборудования, измеряемой мозгом. Это может быть информация о текущем состоянии настроек вывода на устройстве или любое количество внешних сигналов, измеренных датчиками в BMI. Например, физиологические измерения в ответ на стимуляцию или обратная связь от других алгоритмов, внешних по отношению к системе машинного обучения ИМТ, например, обратная связь тактильного или компьютерного зрения от других датчиков.

Задачи для достижения успеха

Хотя потенциальное влияние «умных» ИМТ с помощью ИИ огромно, необходимо убедиться, что существует ряд серьезных препятствий, которые необходимо будет устранить, прежде чем любой такой потенциал будет реализован.

В самой нейронной инженерии разработка оборудования для измерения (записи сигналов мозга - критичных для всех ИМТ) и стимуляции мозга (в случае нейронного протеза) обязательно была сосредоточена на основных химических, физических и технических аспектах, необходимых для создания такие устройства в первую очередь. Это, конечно, понятно. Но помимо проблем проектирования и создания BMI, есть и другие проблемы инженерии и науки о данных, которые необходимо решить. В частности, для устройств высокой плотности с сотнями, а в конечном итоге многими тысячами или десятками тысяч компонентов записи или стимуляции, как именно будут доступны и использоваться данные с этих устройств? Например, если информация о пространственной микроанатомии или связности сетей нейронов важна для алгоритмов или анализа данных, критически важных для принятия решений устройством, недостаточно просто иметь возможность записывать данные с тысяч нейронов, необходимо быть систематическим подходом к получению этих данных организованным способом, чтобы алгоритмы правильно интерпретировали и использовали их.

Другая важная проблема связана с тем, что мы, конечно, не до конца понимаем сам мозг. Вопросы о том, как мозг представляет и кодирует информацию (нейронный код), и как нейробиология реализует свои собственные внутренние алгоритмы для работы с нейронным кодом, находятся на переднем крае исследований нейробиологии и наших знаний о мозге. Но тот факт, что мы еще так много не понимаем о мозге, затрудняет или еще не полностью делает возможным разработку значимых алгоритмов машинного обучения для технологий, предназначенных для взаимодействия с мозгом.

Наконец, этические соображения, связанные со всей этой работой, и способы их правильного решения должны оставаться в авангарде непрерывного прогресса. Но и здесь, подобно признанию этических проблем с учетом темпов прогресса в машинном обучении и искусственном интеллекте, ученые, специалисты по биоэтике и другие эксперты активно занимаются этическими и моральными последствиями ИМТ, а также дополнительными соображениями, которые привносит ИИ. с этим.

Несмотря на эти и другие проблемы, идея о том, что запертый пациент может когда-нибудь иметь возможность общаться и двигаться самостоятельно, используя ИМ-ИМ, который адаптируется к их потребностям и намерениям, является фантастическим занятием. Или технологии, которые обеспечивают иммерсивную среду для аутичных людей для персонализированного взаимодействия с миром, которое адаптируется в реальном времени к их чувствам, предоставляя индивидууму контроль. Исследования, необходимые для того, чтобы увидеть результаты таких приложений в различных соответствующих научных и технических дисциплинах, начинают сходиться. Внезапно это не научная фантастика, которая мотивирует науку. Это наука, делающая возможным то, что когда-то было чистым воображением.