|
映射神經(jīng)系統(tǒng)的生物網(wǎng)絡，又名鏈接組學，需要大量的計算。人類大腦包含大約860億只神經(jīng)元，通過100萬億的突觸連接，因此投射1立方毫米的神經(jīng)組織需要使用一千太字節(jié)數(shù)據(jù)。
這時候，AI技術就派上用場了。 近日，在一份發(fā)表在《Nature Method》雜志上的論文（名為“利用Flood-Fill算法進行得高精度自動重建神經(jīng)元”）中，谷歌公司與Max Planck神經(jīng)生物學研究所組成的科研團隊展示了一種專門為分析連接組學打造的遞歸神經(jīng)網(wǎng)絡（一種常用語手寫與語音識別技術中的機器學習算法）。 當然，谷歌科研人員并不是第一批將機器學習應用在分析連接組學的團隊，今年三月英特爾與美國麻省理工學院計算機科學與AI實驗室合作開發(fā)了一種“下一代”大腦頭像處理系統(tǒng)。不過，對此谷歌稱自己研究成果將以往的深度學習算法準確性提高了一個級別。 谷歌科研人員使用了一種邊緣檢測算法，能夠識別神經(jīng)突（神經(jīng)元的分支）和遞歸卷積神經(jīng)網(wǎng)絡（遞歸神經(jīng)網(wǎng)絡的子類別）的邊緣，并且集合且提亮掃描圖中的像素描繪神經(jīng)元。 為了控制準確性，谷歌科研人員開發(fā)了一種名為“預期運轉周期”（ERL）的度量標準，在大腦3D圖中隨機挑選一個時間點的隨機神經(jīng)元，測量算法能追蹤神經(jīng)元多久不犯錯。科研人員稱，在一份一百萬立方微米大小的斑胸草雀大腦掃描圖中，提取的隨機結果相較之前深度學習算法的效果要好得多。 谷歌科研人員兼論文第一作者Viren Jain和Michal Januszewski在谷歌AI博客中表示：“這些AI自動生成的實驗結果在加上人類修改后，Max Planck研究所的科研人員就能夠學習鳥兒的連接體，從而在斑胸草雀如何唱歌的研究上取得新突破，還能夠檢驗關于它們?nèi)绾螌W習唱歌的推論。” 此外，谷歌科研團隊還在Github上公開了這個研究模型的TensorFlow系統(tǒng)代碼，以及用來畫出數(shù)據(jù)集和提高重建神經(jīng)元結果的的WebGL（3D繪圖標準）3D軟件。據(jù)悉，這些科研人員計劃在未來完善上述系統(tǒng)，目標是實現(xiàn)完全自動化的突出描繪并“為Max Planck研究所以及他人的科研做貢獻”。 參考：Venture Beat |
- 關注天氣:
