Forscher entdecken das mathematische system im Gehirn zu organisieren, visual objects

Wenn Plato dargelegt, zu definieren, was aus einem Menschen ein Mensch, er ließ sich auf zwei wesentliche Merkmale: Wir haben keine Federn, und wir sind zweibeinige (aufrechter Gang auf zwei Beinen). Platons Charakterisierung möglicherweise nicht umfassen alles, was kennzeichnet einen Menschen, aber seine Reduzierung eines Objektes auf seine grundlegenden Eigenschaften, bietet ein Beispiel für eine Technik, bekannt als der “ principal component analysis.

Nun, Caltech Forscher haben die kombinierte Werkzeuge von maschinellen Lernens und der Neurowissenschaften, um zu entdecken, dass das Gehirn verwendet, ein mathematisches system zu organisieren, visuelle Objekte nach Ihren wichtigsten Komponenten. Die Arbeit zeigt, dass das Gehirn enthält eine zwei-dimensionale Karte von Zellen, die verschiedene Objekte. Die Position jeder Zelle in dieser Karte ist bestimmt durch die hauptachsentransformation (oder Funktionen), seiner bevorzugten Objekte; zum Beispiel, Zellen, die Antworten zu Runde, kurvige Objekte, wie z.B. Gesichter und äpfel werden zusammen gruppiert, während die Zellen, die reagieren, um die stacheligen Objekte wie Hubschrauber oder Stühle bilden eine weitere Gruppe.

Die Untersuchung wurde im Labor von Doris Tsao (BS ’96), professor der Biologie, Direktor des Tianqiao und Chrissy Chen Center for Systems Neuroscience und der Halter seine Führung Stuhl, und Howard Hughes Medical Institute Investigator. Ein Papier beschreibt die Studie erscheint in der Zeitschrift Nature am 3. Juni.

„Für die letzten 15 Jahre, unserem Labor hat das Studium einen eigenartigen Netzes in der Primaten-Gehirns, Temporallappen, die spezialisiert ist für die Verarbeitung von Gesichtern. Wir haben gefordert, dieses Netzwerk der ‚face-patch-Netzwerk.‘ Von Anfang an gab es eine Frage, ob das Verständnis dieses Gesicht-Netzwerk würde uns lehren, etwas über das Allgemeine problem, wie wir Objekte erkennen. Ich habe immer davon geträumt, es wäre, und jetzt dies wurde bestätigt in einer verblüffenden Art und Weise. Es stellt sich heraus, dass das Gesicht patch Netzwerk hat mehrere Geschwister, die zusammen ein geordnetes anzeigen der Objekt-Raum. So, face-patches sind ein Stück eines viel größeren Puzzles, und jetzt können wir beginnen zu sehen, wie das ganze puzzle zusammen“, sagt Tsao.

Das Gehirn ist inferotemporal (ES) cortex ist eine entscheidende Zentrum für die Erkennung von Objekten. Verschiedene Regionen oder „patches“ innerhalb der IT-Kortex Kodieren für die Anerkennung der verschiedenen Dinge. Im Jahr 2003, Tsao und Ihre Mitarbeiter entdeckt, dass es sechs Gesicht-patches; es gibt auch patches, die Kodieren für Körper, Szenen und Farben. Aber diese gut untersuchten Inseln sind nur einige von cortex, und die Funktionen des Gehirns Zellen, die sich in zwischen Ihnen haben, nicht gut verstanden worden.

Pinglei Bao, ein Postdoc-Stipendiat in der Tsao-Labor, verstehen wollte, diese unbekannten Regionen der IT-cortex. Arbeiten mit nicht-menschlichen Primaten, Bao ersten angeregt, eine region von IT-cortex, die nicht gehören zu einer der zuvor definierten patches und gemessen, wie die anderen Teile ES reagierte auf die stimulation mittels funktioneller Magnetresonanztomographie (fMRT). Dabei entdeckte er ein neues Netzwerk: drei Regionen des IT-Kortex, die getrieben wurden durch die stimulation. Er nannte dieses Netz das „no man‘ s land-Netzwerk“, denn es gehörte zu einer unbekannten region von IT-cortex.

Um zu bestimmen, welche Art von Objekten das neue Netz beantwortet, Bao zeigten die Primaten-Bilder von tausenden von verschiedenen Objekten, während er gemessenen Neuronen-Aktivität in das neue Netzwerk. Er fand, dass die Neuronen reagierten stark auf eine Gruppe von Objekten, die scheinbar nichts gemein hatte, außer für eine merkwürdige Eigenschaft: Sie alle enthalten dünne „Vorsprünge.“ Das ist, stacheligen Objekten wie Spinnen, Hubschrauber und Stühle ausgelöst, die die Aktivität der Zellen des neuen Netzwerks. Runde, glatte Objekte wie Gesichter ausgelöst, fast keine Aktivität in diesem Netzwerk.

Bao festgelegten mathematisch zu beschreiben, was diese Objekte alle gemeinsam hatten. Während eine person kann qualitativ beschreiben die grundlegenden sichtbaren Merkmale, die die Form von einem Stuhl unterscheidet sich von ein Gesicht, Sie können nicht brechen diese Merkmale bis auf Ihre mathematischen Parameter. Um das zu tun, Bao verwendet eine Art von machine-learning-Programm, genannt deep-Netzwerk, das trainiert ist, zu klassifizieren, Bilder von Objekten.

Bao nahm die Menge der Tausende von Bilder, die er gezeigt hatte, die Primaten und übergeben Sie Sie durch ein tiefes Netz. Er untersucht die Aktivierungen von Einheiten in den acht verschiedenen Ebenen des tief-Netzwerk. Denn es gibt Tausende von Einheiten in jeder Schicht, es war schwer zu erkennen, Muster zu deren befeuerung. Bao beschlossen, principal-component-Analyse, um zu bestimmen, die grundlegenden Parameter der Fahrt Aktivität änderungen in jeder Ebene des Netzwerks. In einer der Schichten, Bao bemerkte etwas, das seltsam vertraut: eine der wichtigsten Komponenten wurde stark aktiviert durch spitzige Gegenstände, wie Spinnen und Hubschrauber, und wurde unterdrückt von Gesichtern. Genau dies entsprach dem Objekt Präferenzen der Zellen Bao aufgenommen hatte von früher in der no man ‚ s land Netzwerk.

Was könnte die Rechnung für diesen Zufall? Eine Idee war, dass ES cortex könnte eigentlich so organisiert, wie eine Karte von Objekt, Raum, mit x – und y-Dimensionen bestimmt, indem die oberen zwei Hauptkomponenten berechnet, die aus den tiefen Netz. Diese Idee würde Vorhersagen, die Existenz von Gesichts -, Körper -, und no man ‚ s land-Regionen, da deren bevorzugte Objekte jeweils im Herbst ordentlich in verschiedenen Quadranten des objektbereichs berechnet aus der Tiefe-Netzwerk. Aber ein Viertel hatte keine bekannten Pendant im Gehirn: stubby Objekte, wie radios oder Tassen.

Bao entschieden, um zu zeigen, Primaten Bilder von Objekten gehören zu dieser „fehlenden“ Quadranten als er überwacht die Tätigkeit Ihrer IT-Rinden. Erstaunlich, fand er ein Netzwerk aus kortikalen Regionen, die nicht reagiert haben, nur um stubby Objekte, als vom Modell vorhergesagt. Dies bedeutet, dass die Tiefe Netzwerk hatte sich erfolgreich vorausgesagt, dass die Existenz einer bisher unbekannten Menge von Regionen des Gehirns.

Warum wurde jeder quadrant repräsentiert durch ein Netzwerk aus mehreren Regionen? Früher, Tsao das Labor hatte herausgefunden, dass unterschiedliche Gesichts-patches in der gesamten IT-Kortex Kodieren für eine zunehmend abstrakte Darstellung von Gesichtern. Bao festgestellt, dass die beiden Netzwerke, die er entdeckt hatte, zeigte diese gleiche Eigenschaft: Zellen in mehr vorderen Regionen des Gehirns reagiert auf Objekte in verschiedenen Winkeln, während die Zellen in mehr posterior reagiert auf Objekte, die nur in bestimmten Winkeln. Dies zeigt, dass der Temporallappen enthält mehrere Kopien der Karte von Objekt, Raum, jede abstrakter als die vorhergehenden.

Schließlich war das team neugierig, wie vollständig die Karte. Sie Messen die Aktivität des Gehirns aus jedem der vier Netzwerke aus der Karte als Primaten betrachtet Bilder von Objekten und dann entschlüsselt das Gehirn Signale, um zu bestimmen, was die Primaten waren auf der Suche bei. Das Modell war in der Lage genau zu rekonstruieren, wie die Bilder angezeigt, indem der Primaten.

„Wir wissen jetzt, welche Funktionen sind wichtig für die Objekterkennung“, sagt Bao. „Die ähnlichkeit zwischen den wichtigen Funktionen beobachtet in biologischen visuellen Systemen und Tiefe Netze schlägt vor, die beiden Systeme teilen eine ähnliche rechnerische Mechanismus für die Objekterkennung. In der Tat, dies ist das erste mal, um meines Wissens, dass ein tiefes Netz hat eine Vorhersage über eine Funktion des Gehirns, wurde nicht bekannt vor und stellte sich heraus, um wahr zu sein. Ich denke, wir sind ganz in der Nähe, herauszufinden, wie die Primaten-Gehirn löst die Objekterkennung problem.“