Dieser Fadenwurm ist nicht einfach! Das Gehirn wurde mit hoher Präzision wiederhergestellt und kann sich dynamisch weiterentwickeln

Das höchstpräzise „Nematodengehirn“ ist da.

Dieses „Gehirn“ simuliert das gesamte biologische Nervensystem eines C. elegans-Wurms.

(Hinweis: Caenorhabditis elegans ist mit 302 Neuronen die „einfachste lebende Intelligenz“)

Dieses Mal stellten inländische Wissenschaftler nicht nur das gesamte Neuronennetzwerk von Caenorhabditis elegans wieder her, sondern stellten es auch im Detail wieder her Ihre Verbindungen auf subzellulärer Ebene.

Es wird davon ausgegangen, dass sein Entwicklungsstand den höchsten derzeit bekannten Stand erreicht hat:

Zuvor wurde in einer Studie die Rechenkomplexität eines einzelnen biologischen Neurons untersucht. Der Artikel wies darauf hin, dass ein tiefes neuronales Netzwerk nur 5 bis 8 Schichten erfordert Miteinander verbundene Neuronen können die Komplexität eines einzelnen biologischen Neurons charakterisieren.

Und durch ein so sorgfältig konstruiertes „Gehirn“ kann dieser „intelligente Fadenwurm“ dynamisches Kriechen vollenden.

Dies ist das neueste Forschungsergebnis des Beijing Zhiyuan Artificial Intelligence Research Institute, und die „scharfe Waffe“ dahinter ist das Tianyan-Projekt.

Und die Geburt dieses „intelligenten Fadenwurms“ MetaWorm 1.0 ist nicht nur ein Durchbruch in der Genauigkeit der Lebenssimulation, sondern laut dem Forschungsteam auch:

Dies ist ein wichtiger Schritt in Richtung künstliches intelligentes Leben.

Wie wird das präziseste Gehirn hergestellt?

Der für dieses Gehirn ausgewählte Caenorhabditis elegans kann als „einer der einfachsten Organismen mit einem Nervensystem“ bezeichnet werden –

Es verfügt über ein vollständiges Nervensystem Sie sind in der Lage, zu spüren, zu fliehen, nach Futter zu suchen und sich zu paaren. Die Gesamtstruktur erwachsener Würmer besteht nur aus etwa 1.000 Körperzellen.

Dieses kleine transparente Wesen mit einer Länge von etwa 1 mm ist zu einem „häufigen Besucher“ in der wissenschaftlichen Forschungsgemeinschaft geworden. In den letzten 20 Jahren wurden ihm drei Nobelpreise verliehen.

Für Neurowissenschaftler ist das Nervensystem von Caenorhabditis elegans vollständig geknackt, und die Echtzeitkarte war in diesem Jahr sogar auf dem Cover von Nature zu sehen, was sich sehr gut zum Studium und zur Simulation von „Gehirnschaltkreisen“ eignet.

△Hermaphrodit, mit insgesamt 302 Nervenzellen

Noch wichtiger ist, dass Neurotransmitter wie Acetylcholin und Dopamin, die in Nematoden vorkommen, auch bei Säugetieren vorkommen.

Die Erforschung seines Nervensystems spielt auch eine wichtige Rolle bei der Erforschung des Regulierungsmechanismus des menschlichen Nervensystems.

Aber Strukturen zu studieren ist eine Sache, sie mit Computern zu modellieren eine andere.

Sie müssen wissen, dass die Simulation eines biologischen Neurons nicht einfach eine lineare Transformation wie eine Faltung ist. Sie simuliert den Austausch von Materialien (z. B. zwischen Zellen) und die Erzeugung und Weiterleitung von Aktionspotentialen zwischen Neuronen.

Allein die Übertragung von Sendern zwischen Synapsen umfasst beispielsweise mehrere Parameter wie Menge, Geschwindigkeit, Konzentration, Rückfluss, Richtung usw. Noch komplizierter wird die Berechnung und Simulation mithilfe mathematischer Modelle.

Selbst wenn ein komplettes Nervensystem simuliert wird, stellt die Frage, wie man mithilfe von Computern einen „Cyberspace“ nahe der realen Umgebung simuliert und darin ein „intelligentes Nematoden“-Modell trainiert, eine weitere große Forschungsschwierigkeit dar.

Obwohl viele Teams bisher Forschungen zur Nematodensimulation durchgeführt haben, sind sowohl die Genauigkeit als auch die Simulationsumgebung immer noch weit von der Realität entfernt, genau wie unsere gewöhnlichen bionischen Roboterfische weit von der Genauigkeit von Fischen entfernt sind.

Diesmal ist es dem Tianyan-Team gelungen, die hochpräzise intelligente „Cybernematode“ zu modellieren, die es ihr ermöglicht, sich in einer 3D-Flüssigkeitssimulationsumgebung dynamisch vorwärts zu bewegen und einfach nach Vorteilen zu suchen und Nachteile zu vermeiden.

Wie sieht dieser „intelligente Fadenwurm“ aus?

Zunächst verwendete das Team eine Vielzahl von Formeln und Modellen, um die „elektronischen Neuronen“ des Fadenwurms zu modellieren.

Es werden drei Hauptmodelle verwendet: das Modell mit mehreren Ionenkanälen, das Hodgkin-Huxley-Modell und das Modell mit mehreren Kompartimenten (Modell mit mehreren Kompartimenten).

Unter diesen werden, wie der Name schon sagt, mehrere Ionenkanäle verwendet, um verschiedene Ionenkanäle auf der Zellmembran zu simulieren.

Das Hodgkin-Huxley-Modell (HH-Modell) kann Kombinieren Sie jedes der Neuronen zu verschiedenen Schaltkreiskomponenten;

△HH-Modellbeispiel, das Bild stammt aus Wikipedia-Wahre·Biologie ist ein hochentwickeltes elektronisches Instrument

Mehrkompartimentmodell, das Neuron wird als System betrachtet, das nach dynamischen Eigenschaften unterteilt ist Dort Es gibt mehrere Kammern, und jede Kammer enthält eine unterschiedliche Anzahl von Ionenkanälen.

△Das Bild stammt aus der Arbeit „Analysis of multi-compartment model of medium spiny neurons“ von Jiang Xiaofang, Liu Shenquan und Zhang Xuchen

#🎜 🎜#Die Kombination dieser drei Modelle kann die Struktur von Neuronen, die Bildung und Leitung von Aktionspotentialen und Gradientenpotentialen auf Neuronenzellmembranen sowie die Geschwindigkeit der Materialleitung zwischen verschiedenen Körperteilen simulieren.

Nachdem die Konstruktion abgeschlossen war, modellierte dieser „intelligente Fadenwurm“ sorgfältig die 302 Neuronen von Caenorhabditis elegans (Hermaphrodit) und die Tausenden von Verbindungen zwischen diesen Neuronen unter Verwendung von 14 Arten von Ionenkanälen, mit Details, die die erreichten subzelluläre Ebene.

Die 302 Neuronen von C. elegans sind in sensorische Neuronen, Interneuronen und Motoneuronen unterteilt. Darunter führte das Team eine hochpräzise Modellierung von 106 sensorischen und motorischen Neuronen durch.

Laut Statistik beträgt die maximale Anzahl von Kompartimenten für ein einzelnes Neuron 2313 und die minimale Anzahl 10. 302 Neuronen hatten durchschnittlich jeweils 52 Kompartimente. Die synaptischen Verbindungen zwischen Neuronen sind so fein wie Neuriten (Dendriten, Axone):

Anschließend konstruierte das Team eine 3D-Flüssigkeit. Die dynamische Simulationsumgebung ermöglicht Nematoden sich in einer realitätsnahen Szene bewegen.

Beachten Sie, dass der Schritt der Simulation der Umgebung besonders wichtig ist. Dies ist ein wichtiger Schritt bei der Untersuchung, wie sich Nematoden an die Bewegung der Mikroumgebung anpassen.

Nachdem die Nematodenmodellierung auf die subzelluläre Ebene (Mikrometerebene) verfeinert wurde, ist der Maßstab der physikalischen Gesetze kleiner geworden und die Auswirkungen von Reibung und Viskosität sind mehrere Größenordnungen größer als die Schwerkraft.

In diesem Fall kann der Fadenwurm immer noch frei Wasser essen und trinken, um Energie bereitzustellen, was untrennbar mit seiner ausgeklügelten Art der Interaktion mit der Umwelt verbunden ist.

Deshalb kombinierte das Tianyan-Team Computerneurologie, Bewegungsmechanik, Grafik und andere interdisziplinäre Disziplinen, um ein realistisches Nematoden-Muskel- und Körper-Softwaremodell für den intelligenten Nematoden „Tianbao“ zu erstellen und eine besser geeignete künstliche Flüssigkeit zu entwickeln Simulationsumgebung für die Agentenschulung.

Konkret besteht dieses Umwelt-Framework aus mehreren Modulen, darunter dreidimensionale Modellierung, Finite-Elemente-Lösung, vereinfachtes Fluidmodell, Verstärkungslernen, Visualisierung usw., die die Interaktion zwischen Nematoden und der Umgebung simulieren können das größte Ausmaß.

Verglichen mit dem derzeit international führenden OpenWorm-Nematodensimulationsprojekt ist die Flüssigkeitssimulationsumgebung des Tianyan-Teams größer und eignet sich besser für intelligente Verhaltenssimulationsumgebungen mit mehreren Körpern/Schwärmen lebender Organismen, um verschiedene Ziele zu erreichen intelligente Fähigkeit, komplexe Aufgaben zu erlernen und zu trainieren usw.

Schließlich platzierte das Team das Nematodenmodell in der Simulationsumgebung und absolvierte ein vorläufiges Training.

Dies sind alles Komponenten der zukünftigen Tianyan-Plattform. Konkret handelt es sich um eine noch im Aufbau befindliche Multi-GPU-Cluster-Plattform, die für hochpräzise, ​​groß angelegte Simulationen biologischer Neuronen verwendet werden kann.

In einer Simulationsumgebung mit einer Szenenskala von mehr als 1.300 Nematodenlängen hat das Team nun vorläufig einen „intelligenten Nematoden“ trainiert, der entsprechend der Verteilung chemischer Umweltsignale und diesem Szenario autonom agieren kann kann auch mehr Großraum- und Multi-Nematoden-Populationssimulationen unterstützen.

Nach Angaben des Teams kann das „Smart Nematode“-Modell die Regeln der Interaktion mit der flüssigen Umgebung effizient und genau berechnen. Bei gleichen Rechenressourcen beträgt die Einzelsimulationszeit eines einzelnen Nematoden weniger als 0,1 Sekunden.

In der nächsten Phase plant das Tianyan-Team, diesen „Cyberwurm“ in die Lage zu versetzen, komplexere intelligente Aufgaben wie Hindernisvermeidung und Nahrungssuche zu erfüllen.

Tatsächlich war die Forschung zur gehirnähnlichen Intelligenz schon immer ein globales Thema.

Auf internationaler Ebene, darunter das vom European Union Brain Project und dem American Brain Project unterstützte Blue Brain-Projekt, führen hirnähnliche Technologieriesen wie Google Gehirnkarten und Gehirn-Tools heraus In den letzten fünf Jahren haben Universitäten Forschungseinrichtungen wie das MIT 19 Nematoden-simulierte Neuronen verwendet, um eine automatische Fahrsteuerung zu erreichen...

Allerdings sind die Forschungsrichtungen von Jedes Team ist sehr unterschiedlich und sogar einige. Eine beträchtliche Anzahl von Teams realisieren gehirninspiriertes Computing, indem sie zuerst Chips und dann Algorithmen entwerfen.

Solche Forschungen werden jedoch den Entwurf und die Implementierung von Algorithmen durch Hardware wie Chips einschränken und letztendlich weit hinter dem Ziel der Verwirklichung gehirnähnlicher Intelligenz zurückbleiben.

Im Gegensatz dazu entschied sich das Tianyan-Team dafür, gehirnähnliche Intelligenz aus der Perspektive der Realisierung von KI zu untersuchen und umzusetzen.

Aber macht es trotzdem wirklich Sinn, sich die Mühe zu machen, ein Fadenwurm-Gehirn zu modellieren? 🎜##🎜 🎜#Wenn wir dieses Problem in einem Satz zusammenfassen könnten, wäre er:

Dies ist ein wichtiger Schritt in Richtung Leben mit künstlicher Intelligenz.

Seit der Geburt der künstlichen Intelligenz ist „Maschinen wie Menschen herstellen“ zu der Richtung geworden, an deren Entwicklung Forscher hart gearbeitet haben.

Aber im Laufe der Zeit hat die künstliche Intelligenz selbst in der aktuellen Entwicklungsphase, die von Deep Learning dominiert wird, immer noch nicht das Niveau der Intelligenz im eigentlichen Sinne erreicht.

Selbst das Go-Spiel wie AlphaGo, das 2016 die Welt schockierte, hat nur das Verständnis der Menschen für künstliche Intelligenz aufgefrischt.

Aber wie CMU-Professor Hans Moravec sagte:

Es ist relativ einfach, einen Computer dazu zu bringen, wie ein Erwachsener Schach zu spielen; altes Kind. , sogar unmöglich.

Also, was ist das Problem?

Im Jahr 2016 gab Huang Tiejun, der Präsident des Zhiyuan Research Institute, die Antwort.

Er glaubt, dass Deep Learning im Wesentlichen auf künstlichen neuronalen Netzen beruht und dass biologische Intelligenz auf biologischen neuronalen Netzen beruht.

Unter diesen sind künstliche neuronale Netze näher an der „Realisierung von Funktionen“, während biologische neuronale Netze „Strukturen, die Funktionen realisieren“ simulieren. Die beiden sind in Bezug auf das „Volumen“ nicht auf dem gleichen Niveau, und letzteres ist offensichtlich viel größer . Mehr und noch wichtiger –

Weil die Struktur die Funktion bestimmt und biologische neuronale Netze der Träger der Intelligenz sind.

Daher lautet die von Huang Tiejun basierend auf dieser Situation vorgeschlagene „Lösung“:

Aus der Perspektive der Simulation von Gehirnmechanismen.

Um es einfach auszudrücken: Es geht darum, den „Betriebsmodus“ im Inneren des biologischen Gehirns zu erforschen. Dies ist einer der Wege, um zur allgemeinen künstlichen Intelligenz zu gelangen.

Zufälligerweise vertrat Anfang 2009 auch Professor Henry Markram von der Ecole Polytechnique Fédérale de Lausanne in der Schweiz einen ähnlichen Standpunkt.

Damals kündigte er einen Plan an, mithilfe von Supercomputern ein Gehirnmodell zu erstellen, das auf dem Verständnis der Gehirnstruktur basiert.

Dieser Plan erhielt später starke Unterstützung und Aufmerksamkeit von der Europäischen Union, da die Bedeutung dieses Ansatzes nicht nur darin besteht, die Intelligenz des menschlichen Gehirns selbst zu verstehen, sondern möglicherweise sogar alternative Behandlungen für Gehirnerkrankungen zu finden.

Aber es gibt auch Probleme nacheinander. Es ist sehr schwierig, das gesamte neuronale Netzwerk des menschlichen Gehirns mithilfe von Computern zu simulieren.

Das liegt nicht nur an der Komplexität der Computersimulation, sondern auch an der Komplexität des biologischen Gehirns selbst.

Schließlich enthält das menschliche Gehirn bis zu 1011 Neuronen, und der Rechen- und Kostenaufwand liegt auf der Hand.

Wenn Menschen ihr Gehirn tatsächlich nutzen, um eine Reihe von Aktionen wie Denken und Schaffen auszuführen, verbrauchen sie nur 20–25 Watt Strom.

Mit anderen Worten: Das biologische Gehirn weist die Eigenschaften „hohe Intelligenz“ und „geringer Stromverbrauch“ auf.

Deshalb ist die Erforschung biologischer Gehirne die beste Blaupause für allgemeine künstliche Intelligenz.

Und dieses Signal beginnt sich abzuzeichnen.

Zum Beispiel einzelne kortikale Neuronen als tiefe künstliche neuronale

Netzwerkforschung, die 2021 im Top-Journal NEURON veröffentlicht wurde, zeigt, dass –

Ein tiefes neuronales Netzwerk 5 bis 8 Schichten miteinander verbundener Neuronen erfordert, um die Komplexität eines einzelnen biologischen Neurons darzustellen .

Dies beweist auch die hohe Rechenleistung eines einzelnen Neurons. Wenn ein einzelnes Neuron also auf sehr feine Weise charakterisiert werden kann, kann es den komplexen Prozess der biologischen Informationsverarbeitung besser abbilden.

Aber die Bedeutung einer verfeinerten Simulation des biologischen Gehirns geht darüber hinaus.

Derzeit leiden Menschen immer noch an vielen schwierigen Krankheiten im Gehirn, wie zum Beispiel der Alzheimer-Krankheit, Depressionen und Hirnschäden.

Die Untersuchung verschiedener Gehirnerkrankungen ist ein Prozess, der enorme Arbeitskräfte und materielle Ressourcen verbraucht. Wenn das biologische Gehirn genau simuliert werden kann, könnte dies eine weitere Möglichkeit für Lösungen bieten.

…

Kurz gesagt: Um das Gehirn besser zu simulieren und zu verstehen, muss man das Gehirn selbst verstehen und gleichzeitig den Menschen selbst Aufmerksamkeit schenken.

Das obige ist der detaillierte Inhalt vonDieser Fadenwurm ist nicht einfach! Das Gehirn wurde mit hoher Präzision wiederhergestellt und kann sich dynamisch weiterentwickeln. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!