登Nature，大腦如何控制運動？ DeepMind設計擁有「AI大腦」的虛擬動物
- PHPz原創
- 2024-06-15 10:44:27931瀏覽
編輯 | 蘿蔔皮
動物對身體的控制十分精妙，因此能夠做出各種各樣的行為。然而，大腦如何實現這種控制仍然不清楚。要加深我們的理解，就需要能夠將控制原理與動物的神經活動結構連結起來的模型。
為了實現這一點，哈佛大學、GoogleDeepMind的研究人員建立了一個“虛擬喝醉動物”，使用人工神經網路在物理模擬器中驅動大鼠的生物力學模擬模型。
團隊使用深度強化學習來訓練虛擬代理模仿自由活動的老鼠的行為，從而讓研究人員能夠將「真實老鼠記錄的神經活動」與模擬其行為的「虛擬代理行為」模型進行比較。這種「虛擬代理動物的網路活動」可以用來探索大腦的學習和推理過程，從而增加對這些過程的理解。此外，該團隊的深度學習模型還可以幫助開發更聰明的機器人和其他自主系統。
模型能夠夠準確地模仿真實老鼠的運動，這項重大成就可望增進科學家對大腦如何控制複雜協調運動的理解。
目前最先進的機器人都難以複製這項成果，而研究團隊相信他們的發現可以大大提高未來機器人的靈活性。
研究以「A virtual rodent predicts the structure of neural activity across behaviors」為題，於 2024 年 6 月 11 日發佈在《Nature》。
人類和動物能夠輕鬆有效率地控制自己的身體，而工程系統很難模仿這種控制方式。這是計算模擬，運動神經科學的技術層面所導致的。原因是，相對於因果產生複雜、自然運動的模型，運動系統的神經活動很少有明確的解釋。
這些生物形成模型不同，神經科學家試圖透過將相關大腦區域的神經活動與可測量的運動特徵（例如不同身體部位的運動學和動力學）聯繫起來，推斷運動系統功能。
然而，這種方法存在問題，因為物理定律內在地將運動特徵關聯起來，因此僅能描述行為而非生成行為。為解決這個問題，研究團隊提出了一個新途徑：使用虛擬動物模型與控制模型關聯來推斷計算原理。
研究團隊開發了一款「虛擬囓齒動物」，其中一個人工神經網路（ANN）驅動著一個在物理模擬器中運作的、具有生物力學真實性的大鼠模型。
建構此系統時，需要在可處理性、表達能力和生物學現實性之間取得平衡。研究人員選擇了能夠重現老鼠行為並預測神經活動的最簡單模型。
模型採用深度強化學習訓練 ANN，實現逆動力學模型。輸入為真實動物的未來運動參考軌跡和當前身體狀態，輸出為實現預期狀態所需的動作。研究人員可以根據相關數據比較實際大鼠的神經活動與虛擬囓齒動物網路的活動。
這種方法有兩個主要優點：一是模型是因果性的，可以物理性地再現感興趣的行為，而不僅僅是描述它。二是將重點放在識別大腦區域實現的功能上，而不僅僅是資訊流的描述。
「我們從建構『具身代理』的挑戰中學到了很多東西：人工智慧系統不僅要智慧思考，還必須在複雜環境中將這種思考轉化為實際行動。」GoogleDeepmind 的Matthew Botvinick 說，「在神經科學背景下採用同樣的方法似乎有助於深入了解行為和大腦功能。」
結果顯示，感覺運動紋狀體和運動皮質中的神經活動被虛擬囓齒動物的網路活動更準確地預測，這與這兩個區域實現逆動力學控制一致。
圖示：虛擬老鼠。 （資料來源：Deepmind 網站）
此外，網路的潛在變化預示了跨行為的神經變化結構，並以符合最優回饋控制的最小介入原則的方式賦予了系統穩健性。
這些發現揭示了透過物理模擬具有生物力學真實性的虛擬動物，可以有助於解釋跨行為的神經活動結構，並將其與運動控制理論原則聯繫起來。
並且，這種方法展示了人工控制器操作生物力學模型以揭示神經電路計算原理的潛力。虛擬動物可以作為虛擬神經科學的平台，模擬實驗難以推論的變數對神經活動和行為的影響。
這一研究領域對於開發先進的義肢和腦機介面至關重要。透過重建神經迴路，這項研究獲得的見解可能帶來治療運動障礙的新方法。此外，研究指出，虛擬大鼠為研究神經迴路以及疾病對這些迴路的影響提供了一個透明的模型。
接下來，研究人員計畫讓虛擬老鼠自主解決真實老鼠所遇到的任務，進一步加深對大腦技能習得演算法的理解。
未來，科學家可能會建構受大腦啟發的網路架構，從而提高效能和可解釋性，並探討特定電路結構和神經機制在行為運算中的角色。
論文連結：https://www.nature.com/articles/s41586-024-07633-4
相關報導：https:// decrypt.co/235086/virtual-rat-ai-brain-harvard-google-deepmind-robotics
以上是登Nature，大腦如何控制運動？ DeepMind設計擁有「AI大腦」的虛擬動物的詳細內容。更多資訊請關注PHP中文網其他相關文章！