|
映射神经系统的生物网络，又名链接组学，需要大量的计算。人类大脑包含大约860亿只神经元，通过100万亿的突触连接，因此投射1立方毫米的神经组织需要使用一千太字节数据。
这时候，AI技术就派上用场了。 近日，在一份发表在《Nature Method》杂志上的论文（名为“利用Flood-Fill算法进行得高精度自动重建神经元”）中，谷歌公司与Max Planck神经生物学研究所组成的科研团队展示了一种专门为分析连接组学打造的递归神经网络（一种常用语手写与语音识别技术中的机器学习算法）。 当然，谷歌科研人员并不是第一批将机器学习应用在分析连接组学的团队，今年三月英特尔与美国麻省理工学院计算机科学与AI实验室合作开发了一种“下一代”大脑头像处理系统。不过，对此谷歌称自己研究成果将以往的深度学习算法准确性提高了一个级别。 谷歌科研人员使用了一种边缘检测算法，能够识别神经突（神经元的分支）和递归卷积神经网络（递归神经网络的子类别）的边缘，并且集合且提亮扫描图中的像素描绘神经元。 为了控制准确性，谷歌科研人员开发了一种名为“预期运转周期”（ERL）的度量标准，在大脑3D图中随机挑选一个时间点的随机神经元，测量算法能追踪神经元多久不犯错。科研人员称，在一份一百万立方微米大小的斑胸草雀大脑扫描图中，提取的随机结果相较之前深度学习算法的效果要好得多。 谷歌科研人员兼论文第一作者Viren Jain和Michal Januszewski在谷歌AI博客中表示：“这些AI自动生成的实验结果在加上人类修改后，Max Planck研究所的科研人员就能够学习鸟儿的连接体，从而在斑胸草雀如何唱歌的研究上取得新突破，还能够检验关于它们如何学习唱歌的推论。” 此外，谷歌科研团队还在Github上公开了这个研究模型的TensorFlow系统代码，以及用来画出数据集和提高重建神经元结果的的WebGL（3D绘图标准）3D软件。据悉，这些科研人员计划在未来完善上述系统，目标是实现完全自动化的突出描绘并“为Max Planck研究所以及他人的科研做贡献”。 参考：Venture Beat |
- 关注天气:
