במשלם של העיוורים והפיל, כמה גברים עיוורים מתארים כל אחד חלק אחר של פיל שהם נוגעים בהם – טוסק חד, תא מטען גמיש או רגל רחבה – ולא מסכים על אופיו האמיתי של החיה. הסיפור ממחיש את בעיית הבנת אובייקט בלתי נראה, או סמוי, המבוסס על תפיסות אינדיבידואליות לא שלמות. באופן דומה, כאשר החוקרים חוקרים דינמיקה מוחית המבוססת על הקלטות של מספר מוגבל של נוירונים, עליהם להסיק את הדפוסים הסמויים של דינמיקה מוחית המייצרים הקלטות אלה.
נניח שאתה ושני שניהם עוסקים במשימה נפשית, כמו ניווט בדרכנו לעבודה. האם איתותים מחלק קטן של נוירונים יכולים לומר לנו שאנו משתמשים באותה אסטרטגיות נפשיות או שונות כדי לפתור את המשימה? זו שאלה מהותית למדעי המוח, מכיוון שלעתים קרובות ניסויים רושמים נתונים מבעלי חיים רבים, ובכל זאת יש לנו הוכחות מוגבלות אם הם מייצג משימה נתונה באמצעות אותם דפוסי מוח. "
פייר ונדרגיינסט, ראש מעבדת עיבוד האות LTS2 בבית הספר להנדסה של EPFL
ונדרג'יינסט ופוסט -דוק לשעבר אדם גושטולאי, כיום פרופסור עוזר במכון AI באוניברסיטה הרפואית בווינה, פרסמו גישה גיאומטרית של למידה עמוקה בגיאומטרית ב- שיטות טבע זה יכול להסיק דפוסי פעילות מוחיים סמויים בקרב נבדקים ניסויים. שיש (לימוד בסיס ייצוג סעפת) משיג זאת על ידי פירוק פעילות עצבית חשמלית לדפוסים דינמיים, או מוטיבים, שניתן ללמוד על ידי רשת עצבית גיאומטרית. בניסויים בהקלטות מקאק וחולדה, המדענים השתמשו בשיש כדי להראות שכאשר בעלי חיים שונים השתמשו באותה אסטרטגיה נפשית כדי להגיע לזרוע או לנווט במבוך, הדינמיקה המוחית שלהם הייתה מורכבת מאותם מוטיבים.
רשת עצבית גיאומטרית לנתונים דינמיים
למידה עמוקה מסורתית אינה מתאימה להבנת מערכות דינמיות המשתנות באופן קבוע כפונקציה של זמן, כמו ירי נוירונים או נוזלים זורמים. דפוסי הפעילות הללו כל כך מורכבים עד שהם מתוארים בצורה הטובה ביותר כאובייקטים גיאומטריים בחללים ממדיים גבוהים. דוגמה אחת לאובייקט כזה היא טורוס, הדומה לסופגנייה.
כפי שמסביר גושטולאי, שיש הוא ייחודי מכיוון שהוא לומד מתוך מרחבים מעוקלים – מרחבים מתמטיים טבעיים לדפוסים מורכבים של פעילות עצבית. "בתוך החללים המעוקלים, אלגוריתם הלמידה העמוק הגיאומטרי אינו מודע לכך שהמרחבים הללו מעוקלים. לפיכך, המוטיבים הדינמיים שלומדים אינם תלויים בצורת המרחב, כלומר הוא יכול לגלות את אותם מוטיבים מהקלטות שונות."
צוות ה- EPFL בדק את השיש בהקלטות של קליפת המוח הקדם-מוטורית של מקאקים במהלך משימת הגעה, והיפוקמפוס של חולדות במהלך משימת ניווט מרחבית. הם מצאו כי הייצוגים של Marble המבוססים על הקלטות אוכלוסייה חד-נורונות היו ניתנות לפרשנות בהרבה מאלה משיטות למידת מכונות אחרות, ושיש יכול לפענח פעילות מוחית לתנועות זרוע ברמת דיוק גבוהה יותר מאשר שיטות אחרות.
יתרה מזאת, מכיוון ששיש מבוסס על התיאוריה המתמטית של צורות ממדיות גבוהות, הוא הצליח לתקן באופן עצמאי את הקלטות הפעילות המוחית מתנאים ניסיוניים שונים למבנה גלובלי. זה נותן לו יתרון על שיטות אחרות, שחייבות לעבוד עם צורה גלובלית המוגדרת על ידי המשתמש.
ממשקי מכונות מוח ומעבר
בנוסף לקידום ההבנה שלנו את הדינמיקה העומדת בבסיס חישובים והתנהגות מוחיים, שיש יכול להשתמש בנתוני פעילות עצבית כדי לזהות את התבניות הדינמיות של המוח בעת ביצוע משימות ספציפיות, כמו להגיע, ולהפוך אותם לייצוגים לפענוח שאפשר להשתמש בהם כדי להפעיל אמצעי מכשיר רובוטי מסייע. עם זאת, החוקרים מדגישים כי שיש הוא כלי רב עוצמה שניתן ליישם על פני שדות מדעיים ומערכות נתונים כדי להשוות תופעות דינאמיות.
"שיטת השיש מכוונת בעיקר לעזור לחוקרי מדעי המוח להבין כיצד המוח מחשש בין יחידים או מצבים ניסיוניים, ולחשוף – כאשר הם קיימים – דפוסים אוניברסליים", אומר ונדרגינסט. "אבל הבסיס המתמטי שלה אינו מוגבל בשום אופן לאותות מוח, ואנחנו מצפים שהכלי שלנו יועיל לחוקרים בתחומי חיים אחרים ומדעי הפיזיקה המעוניינים לנתח במשותף מערכי נתונים מרובים."
