Сделав важный шаг на пути к пониманию и расшифровке сигналов мозга, исследователи из Федеральной политехнической школы Лозанны (EPFL) разработали инновационный алгоритм машинного обучения под названием CEBRA.
Этот алгоритм способен создавать модели искусственных нейронных сетей, которые фиксируют динамику мозга с впечатляющей точностью, приближая нас к реконструкции того, что видит субъект, основываясь исключительно на сигналах мозга.
CEBRA, математическое чудо
Используя этот уникальный алгоритм, исследователи EPFL показали, что они могут декодировать то, что видит мышь во время просмотра фильма. Данные, используемые для декодирования видео, были получены через Институт Аллена и состояли из записанных сигналов мозга или получены непосредственно путем измерения активности мозга с помощью электродов или оптических зондов, вставленных в область зрительной коры мозга мыши.
Способностьалгоритм восстановления синтетических данных намного превосходит все другие существующие алгоритмы. Взгляните на себя.
EPFL выходит за рамки нейронауки
Потенциальные приложения CEBRA выходят за рамки нейронауки. Этот алгоритм можно применять к любому набору данных, например, к данным о поведении животных или экспрессии генов. Это открывает широкие возможности для клинического применения, позиционируя CEBRA как главного участника нашего пути к пониманию сложных систем, таких как мозг.
Чтобы быть более точным? Это исследование, проведенное группой EPFL под руководством Маккензи Матис, представляет собой значительный шаг на пути к высокопроизводительным интерфейсам «мозг-машина» (BMI). Многообещающая платформа для открытия новых принципов нейробиологии. А для любителей ретромышления — способ превратить даже животных в потенциальные «камеры». Исследование было опубликовано в престижном научном журнале Nature (США).Я связываю это с вами здесь), и знаменует собой решающий поворотный момент в этой области.
В итоге
Алгоритм CEBRA представляет собой шаг вперед в нашем понимании того, как мозг обрабатывает визуальную информацию. Потенциал использования этих знаний в практических приложениях (как всегда, к лучшему или к худшему) огромен.
Сочетание нейронауки и машинного обучения только начало показывать нам фильм будущего.
