Merevolusi Ilmu Saraf: AI Stanford Mencerminkan Organisasi Otak

Peneliti Stanford telah mengembangkan AI yang mereplikasi respons mirip otak terhadap rangsangan visible, yang berpotensi mengubah ilmu saraf dan pengembangan AI yang berdampak pada efisiensi energi dan kemajuan medis.

Sebuah tim di Wu Tsai Neurosciences Institute di Stanford telah mencapai terobosan signifikan dalam penggunaan AI untuk meniru cara otak memproses informasi sensorik untuk memahami dunia, sehingga membuka jalan bagi kemajuan dalam ilmu saraf digital.

Perhatikan detik-detik yang berlalu pada jam dan, di wilayah visible otak Anda, kelompok neuron selektif sudut yang berdekatan akan menyala secara berurutan saat jarum detik bergerak di sekeliling jam. Sel-sel ini membentuk peta “pinwheel” yang indah, dengan setiap segmen mewakili persepsi visible dari sudut yang berbeda. Space visible lain di otak berisi peta fitur visible yang lebih kompleks dan abstrak, seperti perbedaan antara gambar wajah yang dikenal vs. tempat, yang mengaktifkan “lingkungan” saraf yang berbeda.

Peta fungsional seperti itu dapat ditemukan di seluruh otak, yang menyenangkan sekaligus membingungkan para ahli ilmu saraf, yang telah lama bertanya-tanya mengapa otak harus mengembangkan tata letak seperti peta yang hanya dapat diamati oleh ilmu pengetahuan trendy.

Untuk menjawab pertanyaan ini, tim Stanford mengembangkan algoritma AI jenis baru – jaringan syaraf tiruan dalam topografi (TDANN) – yang hanya menggunakan dua aturan: masukan sensorik naturalistik dan batasan spasial pada koneksi; dan menemukan bahwa ia berhasil memprediksi respons sensorik dan organisasi spasial dari berbagai bagian sistem visible otak manusia.

Penelitian Tujuh Tahun Berpuncak pada Publikasi

Setelah tujuh tahun melakukan penelitian ekstensif, temuan ini dipublikasikan dalam makalah baru – “Kerangka pemersatu untuk organisasi fungsional di korteks visible ventral awal dan lebih tinggi” – di jurnal saraf.

Tim peneliti dipimpin oleh Sarjana Fakultas Wu Tsai Neurosciences Institute Dan Yamins, asisten profesor psikologi dan ilmu komputer; Dan

Afiliasi institut Kalanit Grill-Spector, seorang profesor psikologi.

Tidak seperti jaringan saraf konvensional, TDANN menggabungkan batasan spasial, mengatur neuron virtualnya pada “lembaran kortikal” dua dimensi dan mengharuskan neuron di dekatnya untuk berbagi respons serupa terhadap masukan sensorik. Saat mannequin belajar memproses gambar, struktur topografi ini menyebabkannya membentuk peta spasial, mereplikasi cara neuron di otak mengatur dirinya sendiri sebagai respons terhadap rangsangan visible. Secara khusus, mannequin tersebut mereplikasi pola kompleks seperti struktur kincir di korteks visible primer (V1) dan kelompok neuron di korteks ventral temporal (VTC) yang lebih tinggi yang merespons kategori seperti wajah atau tempat.

Eshed Margalit, penulis utama studi tersebut, yang menyelesaikan gelar PhD bekerja dengan Yamins dan Grill-Spector, mengatakan tim tersebut menggunakan pendekatan pembelajaran mandiri untuk membantu ketepatan mannequin pelatihan yang mensimulasikan otak.

“Ini mungkin lebih seperti bagaimana bayi belajar tentang dunia visible,” kata Margalit. “Saya rasa pada awalnya kami tidak mengharapkan hal ini berdampak besar pada keakuratan mannequin yang dilatih, namun Anda benar-benar perlu melakukan tugas pelatihan jaringan dengan benar agar dapat menjadi mannequin otak yang baik.”

Implikasinya bagi Ilmu Saraf dan AI

Mannequin yang dapat dilatih sepenuhnya akan membantu ahli saraf lebih memahami aturan bagaimana otak mengatur dirinya sendiri, baik untuk penglihatan, seperti dalam penelitian ini, atau sistem sensorik lainnya seperti pendengaran.

“Saat otak mencoba mempelajari sesuatu tentang dunia – seperti melihat dua potret seseorang – otak menempatkan neuron yang merespons serupa dalam jarak dekat di otak dan membentuk peta,” kata Grill-Spector, yang merupakan Susan S. dan William H. Hindle Profesor di Sekolah Humaniora dan Sains. “Kami percaya bahwa prinsip ini juga harus dapat diterapkan pada sistem lain.”

Pendekatan inovatif ini memiliki implikasi signifikan terhadap ilmu saraf dan kecerdasan buatan. Bagi para ilmuwan saraf, TDANN memberikan sudut pandang baru untuk mempelajari bagaimana korteks visible berkembang dan beroperasi, sehingga berpotensi mengubah pengobatan untuk gangguan neurologis. Bagi AI, wawasan yang diperoleh dari organisasi otak dapat menghasilkan sistem pemrosesan visible yang lebih canggih, seperti mengajarkan komputer untuk 'melihat' seperti yang dilakukan manusia.

Temuan ini juga dapat membantu menjelaskan bagaimana otak manusia beroperasi dengan efisiensi energi yang luar biasa. Misalnya, otak manusia dapat menghitung miliaran operasi matematika hanya dengan daya 20 watt, dibandingkan dengan superkomputer yang membutuhkan energi jutaan kali lebih banyak untuk melakukan perhitungan yang sama. Temuan baru ini menekankan bahwa peta saraf – dan batasan spasial atau topografi yang mendorongnya – kemungkinan besar berfungsi untuk menjaga jaringan yang menghubungkan 100 miliar neuron di otak sesederhana mungkin. Wawasan ini bisa menjadi kunci untuk merancang sistem buatan yang lebih efisien yang terinspirasi oleh keanggunan otak.

“AI dibatasi oleh kekuatan,” kata Yamins. “Dalam jangka panjang, jika manusia mengetahui cara menjalankan sistem buatan dengan konsumsi daya yang jauh lebih rendah, hal ini dapat mendorong pengembangan AI.”

AI yang lebih hemat energi dapat membantu mengembangkan ilmu saraf digital, sehingga eksperimen dapat dilakukan dengan lebih cepat dan dalam skala yang lebih besar. Dalam studi mereka, para peneliti menunjukkan bukti prinsip bahwa jaringan syaraf tiruan dalam topografi mereka mereproduksi respons mirip otak terhadap berbagai rangsangan visible naturalistik, menunjukkan bahwa sistem seperti itu, di masa depan, dapat digunakan sebagai taman bermain yang cepat dan murah. untuk membuat prototipe eksperimen ilmu saraf dan dengan cepat mengidentifikasi hipotesis untuk pengujian di masa depan.

Eksperimen ilmu saraf digital juga dapat memajukan perawatan medis manusia. Misalnya, melatih sistem visible buatan dengan lebih baik seperti bayi mempelajari dunia secara visible dapat membantu AI melihat dunia seperti manusia, yang pusat pandangannya lebih tajam daripada bidang pandang lainnya. Aplikasi lain dapat membantu mengembangkan prostetik untuk penglihatan atau mensimulasikan bagaimana penyakit dan cedera mempengaruhi bagian otak.

“Jika Anda dapat melakukan hal-hal seperti membuat prediksi yang akan membantu mengembangkan perangkat prostetik untuk orang-orang yang kehilangan penglihatan, saya pikir itu akan menjadi hal yang luar biasa,” kata Grill-Spector.

Referensi: “Kerangka pemersatu untuk organisasi fungsional di korteks visible ventral awal dan lebih tinggi” oleh Eshed Margalit, Hyodong Lee, Daybreak Finzi, James J. DiCarlo, Kalanit Grill-Spector dan Daniel LK Yamins, 10 Mei 2024, saraf.
DOI: 10.1016/j.neuron.2024.04.018