利用神经网络寻找神经元的最优刺激 | 周日直播·NeuroAI读书会

导语

神经科学和人工智能领域的多位著名学者近日发表 NeuroAI 白皮书认为，神经科学长期以来一直是推动人工智能（AI）发展的重要驱动力，NeuroAI 领域的基础研究将推动下一代人工智能的进程。文章发表后引发热议：神经科学是否推动了人工智能？未来的人工智能是否需要神经科学？

本着促进神经科学、计算机科学、认知科学和脑科学等不同领域的学术工作者的交流与合作，集智俱乐部联合北京师范大学柳昀哲、北京大学鲍平磊和昌平实验室吕柄江三位研究员共同发起了「NeuroAI」读书会，聚焦在视觉、语言和学习领域中神经科学与人工智能的相关研究，期待能够架起神经科学与人工智能领域的合作桥梁，激发跨学科的学术火花。

读书会线上进行，11月27日开始，每周日下午14:00-16:00，持续时间预计10周。读书会详情及参与方式见后文。

分享内容简介

人工神经网络与生物大脑的相似性是近年来神经科学领域最广受关注的话题之一。然而，基于这样的相似性究竟能为理解智能提供怎么样的帮助仍饱受争议。Dicarlo团队与Livingstone团队分别采用了神经网络的相关成果尝试优化寻找视觉神经元最优刺激的方法，以期提供更深层次结合神经科学与人工智能的研究思路。本次分享将介绍这两篇文献的思路、方法与重要结果，围绕如何促进跨领域融合开展讨论。

分享内容大纲

论文背景

文献解读：Neural population control via deep image synthesis

作者信息 | 已有研究进展 | 拟解决科学问题 | 解决问题的思路 | 核心算法介绍 | 实验介绍 | 实验结果 | 小结

文献解读：Evolving Images for Visual Neurons Using a Deep Generative Network Reveals Coding Principles and Neuronal Preferences

作者信息 | 已有研究进展 | 拟解决科学问题 | 解决问题的思路与核心算法介绍 | 实验介绍 | 实验结果 | 小结

对照总结

讨论

主要涉及到的知识概念

最优刺激（optimal images）

图像合成（image synthesis）

反应选择性（response selectivity）

感受野（receptive field）

神经最大驱动（Maximal Neural Drive）或延伸控制（Stretch Control）

集群独热控制（One-Hot-Population Control）

神经编码（neural encoding）

特征搜索（feature searching）

生成神经网络（Generative Neural Network）

遗传算法（Genetic Algorithm）

主讲人介绍

龚政鑫，2021级北师大心理学在读硕士研究生，导师甄宗雷副教授。现从事神经影像大数据采集与分析，开展自然刺激的视觉神经编解码研究。研究兴趣是智能的神经生物实现及其研究的方法论框架，目前毫无建树。

直播信息

时间：

2022年12月11日（本周日）晚上19:00-21:00

参与方式：

扫码参与NeuroAI读书会，加入群聊，获取系列读书会回看权限，成为NeuroAI社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动NeuroAI社区的发展。

主要涉及到的参考文献

[1] Bashivan, P., Kar, K., & DiCarlo, J. J. (2019). Neural population control via deep image synthesis. Science. https://doi.org/10.1126/science.aav9436

[2] Ponce, C. R., Xiao, W., Schade, P. F., Hartmann, T. S., Kreiman, G., & Livingstone, M. S. (2019). Evolving Images for Visual Neurons Using a Deep Generative Network Reveals Coding Principles and Neuronal Preferences. Cell, 177(4), 999-1009.e10. https://doi.org/10.1016/j.cell.2019.04.005