Spaun - новый симулятор человеческого мозга
Исследователи из канадского университета Ватерлоо под руководством Chris Eliasmith создали то, что по их мению, является наиболее точной моделью функционирования мозга на сегодняшний день — The Semantic Pointer Architecture Unified Network (Spaun). Модель состоит из 2,5 миллионов виртуальных нейронов, организованных в функциональные группы, также как организованы нейроны в мозге млекопитающих или человека, связанные со зрением, кратковременной памятью и т.д.
Для сравнения мозг человека состоит примерно из 100 миллиардов нейронов. Одна из проблем, понимания поведения животных, заключается в том, чтобы связать поведение со сложными процессами, происходящими в головном мозге. До сих пор, нейронные модели не смогли преодолеть этот разрыв, но новая модель — Spaun, находиться на пути к решению этой проблемы. Предоставленные зрительные образы SPAUN разделяет на несколько задач. Затем он обрабатывает полученную им информацию и решает, какие действия следует предпринять. Он может распознавать и запоминать номера написанные разным почерком, и может скопировать их с помощью механической руки. Spaun также может ответить на вопросы о числах и дополнить серию чисел, увидев примеры. Эти задачи являются простыми, но они затрагивают многие части нейроанатомии и физиологии, в том числе способность воспринимать, распознавать и выполнять необходимые действия. Они также требуют огромного количества вычислительной мощности, компьютеру надо два часа времени на обработку для каждой секунды моделирования Spaun. Самая удивительная особенность Spaun, по словам профессора Eliasmith и его коллег заключается в том, что он имеет человеческие недостатки, так как он имеет проблемы с запоминанием чисел в последовательностях, когда они слишком длинные, и лучше запоминают цифры в начале и в конце списка. Он также колеблется, прежде чем отвечать на вопросы, как это делают люди. SPAUN – первый симулятор мозга, который самостоятельно способен выполнить ряд задач и чье поведение похоже на человеческое. Данная модель имеет ряд ограничений, пока он может выполнять только данные ему задачи и не может узнать ничего нового, из-за длительного времени компьютерной обработки.
Устройство SPAUN
Спауна можно представить себе как одноглазого и однорукого человека. Глазом – фиксированным объективом он воспринимает образы, а механической рукой выдает свои ответы. Экспериментатор показывает образ 150 миллисекунд, затем 150 мс пустой фон, а чтобы начать новую задачу букву А.
Для выполнения задачи, информация должна выборочно направляться между участками коры мозга, так как каждая задача использует различные подмножества компонентов. Это достигается через систему выбора по образу таламуса и ганглий базальных у млекопитающих.
Базальные ганглии имеют сложные нервные связи как с корой головного мозга, так и с таламусом: они участвуют в регуляции мышечного тонуса и управлении самопроизвольными движениями человека на подсознательном уровне.
Таламус — Будучи частью переднего мозга, таламус передает нервные импульсы по сенсорным каналам к соответствующим участкам коры головного мозга. Считается, что таламус играет важную роль в процессах памяти.
Структурно Spaun состоит из трех частей: механизма действия, отбора и пяти подсистем памяти.
Первой частью является визуальная система, которая сжимает входное изображение в абстрактное представление высокого уровня (преобразует картинку в семантический вектор).
Второй частью является двигательная система управляющая рукой с двумя степенями свободы.
Третьей внутренняя структура образующая рабочую память.
Рабочая память
1) Для понимания изображения с визуального входа, оно нуждается в обработке (information encoding).
2) Извлечение связей между входными элементами – преобразование и вычисление (transformation calculation)
3) Система наград (лучше – хуже) ассоциирована с входными данными.
4) преобразовывает информацию на выход
5) motor processing (timing) – согласовывает действия в подсистемах памяти, передает информацию на выход.
Архитектура
Архитектура SPAUN базируется на Neural Engineering Framework, использующей группы связанных нейронов, представленных распределенными высоко-размерными векторами, которые могут кодировать символы в древовидные структуры. Синаптические связи между группами нейронов вычисляются исключительно функцией этих векторов. Два базовых принципа устройства нейроструктуры SPAUN: а) группы нейронов представляют распределенные векторы, б) связи между группами нейронов установлены вычислениями выполняемыми в этих векторах. Нейроструктура предоставляет метод для аналитического решения силы синаптических связей, что позволяет эффективно вычислять любую заданную функцию. Несмотря на то, что нейроструктура поддерживает любой тип нейромоделей, для Спауна ученые выбрали Leaky Integrate-and-Fire (LIF). Различные свойства LIF модели: рефракторный период, емкость, сопротивляемость, постсинаптическое постоянство и др. установлены для различных участков мозга в соответствии с известными результатами нейропсихологии.
Модель имеет несколько функций:
Целевая гибкость — Никаких изменений, внесенных в модель между задачами. Видео вход указывает, какие задачи делать дальше.
Схема моторики — модель обеспечивает выход простой рукой робота с двумя степенями свободы, выдавая рукописные цифры как ответы.
Визуальная память — даже после ввода распознавания и классификации изображения как отдельного символа, части (детали) изображения могут быть восстановлены и использоваться.
Композиционность — Множество элементов могут быть представлены и надежно связаны между собой, что позволяет создавать и манипулировать символами древовидной структуры
Символическая Индукция — Подобные Языку образы на визуальном входе, могут быть открыты только после одной или несколько презентаций, и использоваться для руководства в последующих ответах. Вход в модель состоит из идеализированных (шрифт) и рукописных цифр и символов. Изображения представлены на сетке 28x28 пикселей. Выход из модели состоит из движения рукой со 2 степенями свободы. Нейронная модель генерирует последовательные целевые локации, которые непосредственно управляют контроллером руки. Это предоставляет модели иметь ее собственный почерк.
Что может Спаун
Первое: распознавать на экране цифры, причем не только идеальные, но и рукописные.
Второе: повторить показанные ему цифры в обратном порядке.
Третье: дополнить последовательность чисел.
Четвертое: он может определить расположение числа в последовательности.
Исследователи уже использовали SPAUN в изучении процессов старения или травм мозга, с целью показать как именно потеря нейронов влияет на производительность при выполнении когнитивных тестов.
http://nnm.ru/blogs/baibak-1/spaun-novyy-simulyator-chelovecheskogo-mozga/
Исследователи из канадского университета Ватерлоо под руководством Chris Eliasmith создали то, что по их мению, является наиболее точной моделью функционирования мозга на сегодняшний день — The Semantic Pointer Architecture Unified Network (Spaun). Модель состоит из 2,5 миллионов виртуальных нейронов, организованных в функциональные группы, также как организованы нейроны в мозге млекопитающих или человека, связанные со зрением, кратковременной памятью и т.д.
Для сравнения мозг человека состоит примерно из 100 миллиардов нейронов. Одна из проблем, понимания поведения животных, заключается в том, чтобы связать поведение со сложными процессами, происходящими в головном мозге. До сих пор, нейронные модели не смогли преодолеть этот разрыв, но новая модель — Spaun, находиться на пути к решению этой проблемы. Предоставленные зрительные образы SPAUN разделяет на несколько задач. Затем он обрабатывает полученную им информацию и решает, какие действия следует предпринять. Он может распознавать и запоминать номера написанные разным почерком, и может скопировать их с помощью механической руки. Spaun также может ответить на вопросы о числах и дополнить серию чисел, увидев примеры. Эти задачи являются простыми, но они затрагивают многие части нейроанатомии и физиологии, в том числе способность воспринимать, распознавать и выполнять необходимые действия. Они также требуют огромного количества вычислительной мощности, компьютеру надо два часа времени на обработку для каждой секунды моделирования Spaun. Самая удивительная особенность Spaun, по словам профессора Eliasmith и его коллег заключается в том, что он имеет человеческие недостатки, так как он имеет проблемы с запоминанием чисел в последовательностях, когда они слишком длинные, и лучше запоминают цифры в начале и в конце списка. Он также колеблется, прежде чем отвечать на вопросы, как это делают люди. SPAUN – первый симулятор мозга, который самостоятельно способен выполнить ряд задач и чье поведение похоже на человеческое. Данная модель имеет ряд ограничений, пока он может выполнять только данные ему задачи и не может узнать ничего нового, из-за длительного времени компьютерной обработки.
Устройство SPAUN
Спауна можно представить себе как одноглазого и однорукого человека. Глазом – фиксированным объективом он воспринимает образы, а механической рукой выдает свои ответы. Экспериментатор показывает образ 150 миллисекунд, затем 150 мс пустой фон, а чтобы начать новую задачу букву А.
Для выполнения задачи, информация должна выборочно направляться между участками коры мозга, так как каждая задача использует различные подмножества компонентов. Это достигается через систему выбора по образу таламуса и ганглий базальных у млекопитающих.
Базальные ганглии имеют сложные нервные связи как с корой головного мозга, так и с таламусом: они участвуют в регуляции мышечного тонуса и управлении самопроизвольными движениями человека на подсознательном уровне.
Таламус — Будучи частью переднего мозга, таламус передает нервные импульсы по сенсорным каналам к соответствующим участкам коры головного мозга. Считается, что таламус играет важную роль в процессах памяти.
Структурно Spaun состоит из трех частей: механизма действия, отбора и пяти подсистем памяти.
Первой частью является визуальная система, которая сжимает входное изображение в абстрактное представление высокого уровня (преобразует картинку в семантический вектор).
Второй частью является двигательная система управляющая рукой с двумя степенями свободы.
Третьей внутренняя структура образующая рабочую память.
Рабочая память
1) Для понимания изображения с визуального входа, оно нуждается в обработке (information encoding).
2) Извлечение связей между входными элементами – преобразование и вычисление (transformation calculation)
3) Система наград (лучше – хуже) ассоциирована с входными данными.
4) преобразовывает информацию на выход
5) motor processing (timing) – согласовывает действия в подсистемах памяти, передает информацию на выход.
Архитектура
Архитектура SPAUN базируется на Neural Engineering Framework, использующей группы связанных нейронов, представленных распределенными высоко-размерными векторами, которые могут кодировать символы в древовидные структуры. Синаптические связи между группами нейронов вычисляются исключительно функцией этих векторов. Два базовых принципа устройства нейроструктуры SPAUN: а) группы нейронов представляют распределенные векторы, б) связи между группами нейронов установлены вычислениями выполняемыми в этих векторах. Нейроструктура предоставляет метод для аналитического решения силы синаптических связей, что позволяет эффективно вычислять любую заданную функцию. Несмотря на то, что нейроструктура поддерживает любой тип нейромоделей, для Спауна ученые выбрали Leaky Integrate-and-Fire (LIF). Различные свойства LIF модели: рефракторный период, емкость, сопротивляемость, постсинаптическое постоянство и др. установлены для различных участков мозга в соответствии с известными результатами нейропсихологии.
Модель имеет несколько функций:
Целевая гибкость — Никаких изменений, внесенных в модель между задачами. Видео вход указывает, какие задачи делать дальше.
Схема моторики — модель обеспечивает выход простой рукой робота с двумя степенями свободы, выдавая рукописные цифры как ответы.
Визуальная память — даже после ввода распознавания и классификации изображения как отдельного символа, части (детали) изображения могут быть восстановлены и использоваться.
Композиционность — Множество элементов могут быть представлены и надежно связаны между собой, что позволяет создавать и манипулировать символами древовидной структуры
Символическая Индукция — Подобные Языку образы на визуальном входе, могут быть открыты только после одной или несколько презентаций, и использоваться для руководства в последующих ответах. Вход в модель состоит из идеализированных (шрифт) и рукописных цифр и символов. Изображения представлены на сетке 28x28 пикселей. Выход из модели состоит из движения рукой со 2 степенями свободы. Нейронная модель генерирует последовательные целевые локации, которые непосредственно управляют контроллером руки. Это предоставляет модели иметь ее собственный почерк.
Что может Спаун
Первое: распознавать на экране цифры, причем не только идеальные, но и рукописные.
Второе: повторить показанные ему цифры в обратном порядке.
Третье: дополнить последовательность чисел.
Четвертое: он может определить расположение числа в последовательности.
Исследователи уже использовали SPAUN в изучении процессов старения или травм мозга, с целью показать как именно потеря нейронов влияет на производительность при выполнении когнитивных тестов.
http://nnm.ru/blogs/baibak-1/spaun-novyy-simulyator-chelovecheskogo-mozga/
