¿Qué podemos aprender sobre el cerebro humano a partir de redes neuronales artificiales?

Question

Sé que mi pregunta/título no es muy específico, así que voy a intentar clearify:

Las redes neuronales artificiales tienen relativamente estricta diseños. Por supuesto, en general, están influenciadas por la biología y tratar de construir un modelo matemático de real de redes neuronales, pero nuestra comprensión real de las redes neuronales es insuficiente para la construcción exacta de los modelos. Por lo tanto, no podemos concebir exacta de los modelos o cualquier cosa que viene "cerca de" real de las redes neuronales.

Hasta donde yo sé, todas las redes neuronales artificiales están lejos de la realidad con las redes neuronales. Estándar, clásico totalmente conectado MLPs no están presentes en la biología. Recurrente de las redes neuronales tienen una falta real de la neuroplasticidad, cada neurona de una RNN tiene el mismo "comentarios de la arquitectura", mientras que el real neuronas guardar y compartir su información en vez de individualmente. Convolucional las redes neuronales son eficaces y populares, pero (por ejemplo) procesamiento de la imagen en el cerebro humano consta de sólo un par de convolución capas, mientras que las soluciones modernas (como GoogLeNet) ya utilizan decenas de capas...y aunque se están produciendo grandes resultados para los equipos, que no están ni siquiera cerca de la actuación humana. Especialmente cuando pensamos en un "por capa rendimiento", ya que tenemos una cantidad bastante alta de capas y de reducción de datos, en comparación a real de las redes neuronales.

Además, a mi conocimiento, incluso modular, auto-ampliación / auto-reestructuración de las redes neuronales artificiales son más bien "fijo y estático" en comparación con la enorme capacidad de adaptación real de las redes neuronales. La neurona biológica normalmente tiene miles de dendritas de la conexión de la neurona a una enorme variedad de diferentes zonas y de otras neuronas. Las redes neuronales artificiales son la manera más "sencilla".

Así que, ¿hay algo que podamos aprender sobre el cerebro humano / real de las redes neuronales artificiales las redes neuronales? O es sólo un intento de crear un software que funciona mejor que la versión clásica, la estática de los algoritmos (o incluso de hacer las cosas, donde este tipo de algoritmos no)?

Puede alguien de suministro (preferiblemente científica) fuentes acerca de este tema?

EDIT: Más respuestas son muy apreciados (:

Answer 1

Como usted ha mencionado, la mayoría de las redes neuronales se basan en general simples abstracciones del cerebro. No sólo son los que carecen en la imitación de las características de plasticidad, pero no toman en cuenta las señales y el tiempo como real neuronas.

Hay una muy reciente entrevista, que me pareció adecuado para tu pregunta específica, de Aprendizaje de la Máquina Maestro Michael Jordan en los Delirios de Big Data y de Otras grandes Esfuerzos de Ingeniería, y cito:

Pero es cierto que con la neurociencia, se va a requerir décadas o incluso cientos de años para comprender el profundo de los principios. No hay progreso en el nivel más bajo de la neurociencia. Pero por cuestiones de la cognición superior-cómo percibimos, cómo recordamos, cómo debemos actuar-no tenemos idea de cómo las neuronas son el almacenamiento de la información, como son la informática, de cuáles son las reglas, lo que los algoritmos son, lo que las representaciones son, y similares. Así que aún no estamos en una época en la que podemos estar utilizando una comprensión del cerebro que nos guíe en la construcción de sistemas inteligentes.

Answer 2

No mucho --- podría decirse que nada --- hasta el momento se ha aprendido sobre el funcionamiento del cerebro a partir de redes neuronales artificiales. [Aclaración: yo escribí esta respuesta pensar acerca de las redes neuronales se utilizan en el aprendizaje de máquina; @MattKrause (+1) es correcto que la red neuronal de los modelos de algunos neuronales biológicas de los fenómenos podría haber sido útil en muchos casos.] Sin embargo, este es quizás en parte debido al hecho de que la investigación en redes neuronales artificiales en el aprendizaje de máquina fue más o menos en un periodo de estancamiento, hasta que, alrededor de 2006, cuando Geoffrey Hinton casi en solitario reavivado todo el campo, que por ahora atrae a miles de millones de dólares.

En un estudio de 2012 de la conferencia en Google llamado Cerebro, el Sexo y el Aprendizaje de Máquina (de 45:30), Hinton sugirió que las redes neuronales artificiales pueden proporcionar un indicio de por qué [la mayoría de] las neuronas se comunican con picos y no con las señales analógicas. Es decir, se sugiere ver los picos como una estrategia de regularización similar a la deserción escolar. La deserción es un recientemente desarrollado de forma de evitar el sobreajuste, cuando sólo un subconjunto de pesos se actualizan en cualquier gradiente de la pendiente etapa ( Srivastava et al. 2014). Al parecer funciona muy bien, y Hinton piensa que quizás los picos (es decir, la mayoría de las neuronas estar en silencio en cualquier momento dado) servir al propósito similar.

Yo trabajo en una de neurociencias del instituto de investigación y no conozco a nadie aquí que es convencido por el Hinton del argumento. El jurado está todavía fuera (y es, probablemente, va a estar fuera durante bastante tiempo), pero al menos este es un ejemplo de algo que las redes neuronales artificiales podrían potencialmente nos enseñan sobre el funcionamiento del cerebro.

Answer 3

Ciertamente, no es cierto que el cerebro humano utiliza sólo "unos pocos" convolucional capas. Alrededor de 1/3 del cerebro de los primates es de alguna manera involucrados en el procesamiento de la información visual. Este diagrama, a partir de Felleman y Van Essen es un esbozo de cómo visual flujos de información a través del cerebro de mono, comenzando en los ojos (CGR en la parte inferior) y terminando en el hipocampo, un área de memoria.

Cada uno de estos cuadros es un anatómicamente definido por el área (más o menos), que contiene varias etapas de procesamiento (reales capas, en la mayoría de los casos). El diagrama de 25 años de edad y, si acaso, hemos aprendido que hay un par de cajas más y mucho más las líneas.

Tambien es cierto que mucho del aprendizaje profundo trabajo es más "vagamente inspirada en" el cerebro que se basa en algunos neuronales subyacentes de la verdad. "Aprendizaje profundo", también tiene la ventaja añadida de que suena mucho más sexy que "iterada de regresión logística."

Sin embargo, los modelos matemáticos de las redes neuronales también han contribuido mucho a nuestra comprensión del cerebro. En un extremo, algunos modelos intento de imitar el conocido biología y biofísica precisamente. Estos suelen incluir términos individuales de los iones y de su flujo. Algunos incluso el uso de reconstrucciones en 3D de la real neuronas para restringir su forma. Si esto le interesa, ModelDB tiene una gran colección de modelos y las publicaciones asociadas. Muchos están implementadas usando el disponible libremente NEURONAde software.

Hay mayor escala de los modelos que tratan de imitar ciertas comportamiento o neurofisiológicos efectos, sin tener que preocuparse demasiado acerca de la subyacente biofísica. Connectionist o Paralelo Distribuido de Procesamiento de modelos, que fueron muy populares en la década de 1980 y 1990, y se utilizan modelos similares a los que usted puede encontrar en una máquina de corriente aplicación de aprendizaje (por ejemplo, no biofísica, la simple activación de funciones estereotipadas y conectividad) para explicar los diversos procesos psicológicos. Estos han caído un poco fuera de onda, aunque uno se pregunta si se podría hacer una reaparición ahora que tenemos ordenadores más potentes y mejores estrategias de capacitación.

Por último, hay un montón de trabajo en algún lugar en el medio, que incluye algunos "fenomenología", además de algunos biológica detalles (por ejemplo, un explícitamente inhibitorias plazo con ciertas propiedades, pero sin ajuste de la distribución exacta de los canales de cloruro). Un montón de trabajo actual encaja en esta categoría, por ejemplo, el trabajo por Xiao Jing Wang (y muchos otros....)