چارچوب جدید هوش مصنوعی DPMS اسکن مغزی ۸۰ هزار نورون را بدون نیاز به تطبیق تک‌تک سلول‌ها ادغام می‌کند

ادغام مدل‌های زیستی با چارچوب هوش مصنوعی DPMS بدون نیاز به تطبیق تک‌تک نورون‌ها

پژوهشگران مرکز تحقیقاتی جنلیا (Janelia) با همکاری دانشگاه رادبود و دانشگاه نورث‌وسترن، چارچوب هوش مصنوعی جدیدی به نام «سنتز مدل احتمالاتی عمیق» یا DPMS معرفی کرده‌اند. این چارچوب مبتنی بر استنتاج متغیری سلسله‌مراتبی (Hierarchical Variational Inference) است و امکان یادگیری هم‌زمان میان سوژه‌هایی را فراهم می‌کند که اجزای درونی آن‌ها تطابق مستقیمی با یکدیگر ندارند. در مقاله علمی DPMS، کارایی این روش روی بنچمارک‌های شبیه‌سازی‌شده و داده‌های تصویربرداری کلسیمی از کل مغز لارو گورخرماهی (با ثبت فعالیت حدود ۸۰ هزار نورون در هر ماهی) ارزیابی شده است.

چارچوب DPMS مدل‌های اختصاصی هر سوژه را از طریق یک توزیع پیشین (Prior) مشترک به یکدیگر متصل می‌کند؛ توزیعی که بر اساس متادیتای ساختاری اجزا، مانند موقعیت سه‌بعدی هر نورون، آموزش دیده است. به این ترتیب، سوژه‌هایی که داده‌های فراوانی دارند می‌توانند فرایند یادگیری مدل را برای نمونه‌هایی با مشاهدات محدودتر هدایت کنند، در حالی که هر سوژه همچنان توزیع پارامترهای اختصاصی خود را حفظ می‌کند.

چرا شناسه‌های نورونی مانع از ادغام ساده داده‌ها می‌شوند؟

در آموزش تجمیعی استاندارد، فرض بر این است که یک ویژگی خاص در تمام نمونه‌ها معنا و کارکرد یکسانی دارد؛ اما داده‌های زیستی این فرض پایه را به‌کلی نقض می‌کنند. برای نمونه، نورون شماره ۴٬۲۱۷ در مغز یک ماهی هیچ همتای مستقیمی در مغز ماهی دیگر ندارد و حتی سلول‌های بسیار مشابه نیز ممکن است در جایگاه‌های متفاوتی قرار گرفته باشند یا رفتارهای متفاوتی از خود نشان دهند.

آموزش مستقل مدل برای هر سوژه، ساختار اختصاصی آن را حفظ می‌کند، اما این برآوردهای مجزا نمی‌توانند آموخته‌های خود را به‌سادگی به اشتراک بگذارند. از سوی دیگر، هنگامی که میان اجزای سیستم‌ها تناظر یک‌به‌یک وجود ندارد، میانگین‌گیری از پارامترهای آن‌ها نیز از نظر علمی بی‌معنا خواهد بود. این چالش فقط به علوم اعصاب محدود نمی‌شود، بلکه در مدل‌های فیزیولوژیکی اختصاصی بیماران، مدل‌های حسگر ویژه دستگاه‌ها و سیستم‌های توصیه‌گر شخصی‌سازی‌شده برای کاربران نیز دیده می‌شود.

روش DPMS مجموعه مدل‌های سوژه‌ها را در قالب یک ساختار سلسله‌مراتبی بازتعریف می‌کند. در این ساختار، یک «توزیع پیشین شرطی» (CPD)، ویژگی‌های کمکی هر جزء را به یک توزیع احتمالاتی روی پارامترهای مدل همان جزء نگاشت می‌دهد. در آزمایش‌های انجام‌شده روی گورخرماهی، مختصات سه‌بعدی نورون‌ها به‌عنوان اطلاعات شرطی به کار رفته‌اند؛ با این حال، در سایر کاربردها می‌توان از ویژگی‌هایی مانند انواع سلول‌ها، برچسب‌های کالبدشناختی (آناتومیک) یا اندازه‌گیری‌های عملکردی استفاده کرد.