集智

导语

人类大脑的适应能力似乎有无尽的潜能,但在Nature Neuroscience的两篇文章中,研究者基于脑机接口(BCI)技术,通过观察大脑的学习过程,发现大脑的神经网络可能笨拙、低效得令人诧异。

编译:集智俱乐部翻译组

来源:quantamagzine

原题:Brains cling to old habits when learning new tricks

学习能力是智力的标志。通过几十年对的研究表明,我们的大脑能表现出高度的“可塑性”,这意味着,为了响应新的刺激,神经元可以重新连接自身。

但是卡内基梅隆大学和匹兹堡大学的研究人员最近发现,我们的学习能力却有着惊人的局限。大脑可能具有高度的灵活性和整体适应性,但至少在短时间内,它却低效地通过对神经元的回收再利用来学习,而不是完全重新开始。

该研究的一个领导者,卡内基梅隆的生物医学工程师和神经科学家 Byron Yu 说:“每当我打壁球时,我看起来就像一个网球运动员。”Yu 已经打了很多年的网球。壁球对于他而言,问题在于球拍较短,并且要求击球更快更狠,这和他在网球场上习惯的不同。然而在壁球比赛中,他使用球拍的方式深深地陷在他多年形成的网球握拍风格中。

大脑并不会轻易放弃它已经知道的东西。

现在,通过观察大脑学习过程的活动,Yu和他的同事已经看到了在神经水平上也有类似的缺乏可塑性的证据。这一发现和其团队的相关研究可能有助于解释为什么有些事情比其他事情更难学。

脑机接口(BCI)

几年前,匹兹堡大学的 Yu,Aaron Batista 及其实验室成员开始使用脑机接口(BCI)作为神经科学研究的工具。这些设备的芯片大小与指甲相当,可以在大脑的运动皮层中同时跟踪100个能控制运动的神经元的电活动。通过监测各个神经元电压尖峰的时序序列,BCI可以计算出“放电频率”以表征在执行任务期间每个神经元的行为。

论文原题:

Neural constraints on learning

论文地址:

https://www.nature.com/articles/nature13665

“你可以想象试图挖掘所有这些数据以此了解大脑正在做什么是个巨大的挑战。”Yu 说,"我们的眼睛没有受到过足够的训练,无法在其中获得不易察觉的模式。”

但芯片中内置的高级统计分析程序可以做到这一点,提取出的模式可以用于识别与测试目标想做特定运动时相关的神经活动。例如,系统可以区分出实验目标想要向左,右,上或下伸出手臂的意图。

然后,研究人员可以利用 BCI 的输出,将特定运动的神经活动转换为计算机屏幕上光标的运动方向。例如,通过反复试验,使用脑机接口的人或动物可以学会通过想象他们的手臂向左移动来推动光标向左移动。

大脑中的先天结构

Yu,Batista 和他们的同事在猴子反复执行简单挥舞手臂的任务时,监测猴子的运动皮层,由此他们发现这些神经元并没有独立放电。

相反,在统计上,被测量的 100 个神经元的行为可以用大约 10 个神经元来描述,这些神经元不同程度地刺激或抑制了其他神经元。在研究人员的分析中,这个结果显示为一组绘制成图的点,这些点只填充了100维数据空间的一小部分(a small volume)。

集智

图注:使用脑机接口学习的实验。猴子通过调节神经活动,将蓝色光标移动到绿色光标的位置。脑机接口的映射包括两步,首先用因子分析方法分析先天流形中众多神经元的活动,然后用 Kalman 滤波器,把先天流形映射为光标运动。在这两个步骤中,研究者进行了外部流形干扰(蓝色箭头)和流形内扰动(红色箭头)。

卡内基梅隆大学生物医学工程教授 Steven Chase 表示,我们把这一“部分”(volume)称为先天流形(intrinsic manifold),因为它是大脑固有的属性。空间的维度可以很好地预测神经元的功能。

流形学习 | 集智百科

http://wiki.swarma.net/index.php/%E6%B5%81%E5%BD%A2%E5%AD%A6%E4%B9%A0

2014年,研究人员观察到,如果测试对象在学习新任务时,神经活动在先天流形之内,而不是流形的外部,则它们可以更容易地学习新任务。Yu表示,这一结果是有道理的,因为属于先天流形的任务对大脑提出的要求与其基础神经结构一致。

集智

实验结果:流形内部受干扰的学习效果好于流形外部受干扰。a和b比较了学习活动涉及到流形内部时(a,红色)外部时(b,蓝色),测试表现的差异,神经活动涉及到流形内部时,成功率更高,用时更短。

学习需要遗忘

完成了这项研究后,该小组将注意力转向了神经活动在学习过程中如何变化的问题。

论文原题:

Learning by neural reassociation

论文地址:

https://doi.org/10.1038/s41593-018-0095-3

为了找到答案,研究人员首先让装有 BCI 的灵长类动物熟练地左右移动光标。然后,该小组切换了移动光标所需的神经活动,并希望看到动物会使用什么样的新的神经活动模式来完成光标移动,这些模式对应于先天流形中的新点。

研究者希望找到这种“重组(realignment)”学习策略的证据。使用重组策略,动物会自然地开始新的合作模式。

在斯坦福大学任职、曾在博士后期间与Yu和Chase合作完成该项目的 Matthew Golub 认为:受制于先天条件,“重组”是动物最好的学习策略。

有可能,猴子的大脑可能已经经过了重新缩放(rescaling)来学习。在这一过程中,参与初始学习任务的神经元,会增加或者减少其尖峰程度,直到试出来一个有效的模式。

但另研究人员惊讶的是,在实际过程中既没有重组(realignment),也没有重缩放(rescaling),相反,研究人员观察到一种被称为“重新关联”(reassociation)的很低效的方法——

被试动物仅仅通过重复初始神经元活动模式(patterns),并交换任务来学习新任务。之前光标向左移动时的神经元模式,被用到了将光标向右移动的任务中。反之亦然。Golub 说,即使是在新任务中,大脑所做的仍是重复过去的事。

集智

图注:三种神经元学习策略假设的二维平面映射示意图。粗虚线的左侧的光标向左移动,右侧的光标向右移动,神经元经过学习,形成了绿色和紫色部分的映射(图a),然后调整粗虚线的方向(图b),之前的神经元学到的模式会对后续操作形成干扰。c是重组策略的假设,d是重新缩放策略的假设,e是重新关联策略的假设。

大脑比你想象的更古板。

该小组的研究结果表明,正如神经元的结构将神经元活动限制在先天流形中一样,实验中神经元的重组受到了一些更深层次约束的限制。Bastista 认为,神经元突触连接的改变,是很难快速完成的。大脑短期可塑性比人们想象的更有限。

学习需要遗忘,大脑可能不愿意放弃它已经学会的事情。—— Aaron Batista

Chase 将运动皮层比作老式的电话交换机,神经连接就像电缆一样,将来自其他皮层区域的输入,连通到小脑的输出。在实验过程中,大脑“只是重新排列了所有电缆”——尽管这其中细微差别的意义人们仍未理解。

集智

Yu表示:“‘又快又糙’的策略是为了改变大脑皮层的输入。”但他也表明,他们的实验只跟踪大脑的活动一两个小时。

研究人员还不能排除这样的可能性:重新联系是大脑学习新任务的一种快速的临时过渡方式;在更长的一段时间内,重组、重新缩放可能仍然会出现。

如果是这样的话,这可能会解释初学者和专家在处理有共同的兴趣点的新信息时的差异。巴蒂斯塔说:“初学者学习时激活了所有的已有知识,而专家则只关注新知识。这一众所周知的现象可能蕴含着这样的神经学原理。”

翻译:Leo

审校:刘培源

编辑:王怡蔺

原文地址:

https://www.quantamagazine.org/brain-computer-interfaces-show-that-neural-networks-learn-by-recycling-20180327/?from=singlemessage

推荐阅读

没头脑的黏菌也可以学习

还原小型大脑 | 连接组学研究

深度学习概述

大数之道——人脑与电脑的对比

加入集智,一起复杂!

推荐课程

集智

课程地址 |https://campus.swarma.org/gcou=10500


集智

集智QQ群|292641157

商务合作及投稿转载|swarma@swarma.org

搜索公众号:集智俱乐部

加入“没有围墙的研究所”

集智

让苹果砸得更猛烈些吧!

始发于微信公众号: 集智俱乐部