易用通:专业的织梦模板下载站 www.yiyongtong.com

博客论坛 联系站长

浏览量

MIT史上首次用AI控制动物大脑活动!|技术前沿洞察

  大家好,本周的科技前沿又跟大家见面啦,无论是3D打印的肺会呼吸,还是AI能控制动物大脑活动,都有点厉害啊!新技术、新研发出现,赶紧跟硅谷洞察一起来看!

  美国高校

  首先,本周 MIT(麻省理工学院)特别多科研进展,简直是 MIT 专场:

  史上首次:MIT 首次用 AI 控制动物的大脑活动

  上周,《Science》杂志发表了一篇重磅文章:MIT 的三位科学家首次用大脑视觉神经网络模型,实现了控制动物大脑的神经元活动。这也是使用人工神经网络来理解真实神经网络的一个重大突破。

  这三位神经科学家分别是 MIT大脑与认知科学系的负责人、麦戈文脑研究所调查员 James DiCarlo,及研究员 Pouya Bashivan 和 Kohitij Kar。他们利用目前最先进的大脑视觉神经网络模型,对模拟大脑视觉皮层的计算模型进行了测试,并且设计了一种新方法,这种新方法能够精确地控制单个神经元和位于网络中间的神经元群。

MIT史上首次用AI控制动物大脑活动!|技术前沿洞察

  (由 MIT 神经科学家创建的计算机视觉模型设计了这些图像,这些图像能激发个体神经元中非常高的活动。图片版权:Pouya Bashivan)

  在一项动物研究中,他们利用从计算模型中获得的信息创建了一些图像,这些图像能够强烈地激活所选定的大脑神经元。研究人员分析了这些图像在猕猴视觉皮层产生预期效果的有效性。

  结果显示,这些操作对神经元群产生了相当大的选择性影响。也就是说,利用这些图像,神经网络被证明可以再现动物神经反应的整体行为。这些模型与大脑非常相似,可以用来控制动物的大脑状态。

  MIT机器学习新模型提高乳腺癌风险预测概率

  接下来这条可以说是女性福音啊!

  近日,Radiology 上一项最新研究称,MIT 研究人员开发创建了一个深度学习模型。该模型用来自 6 万多名 Massachusetts General Hospital 患者的乳房 X 光照片训练,能够根据乳房 X 光照片预测患者未来五年内是否可能会得乳腺癌。

  以乳腺密度为例,新的深度学习模型与目前临床上使用乳腺密度作为评估乳腺癌风险标准的Tyrer-Cuzick模型相比,其识别风险的准确率有所提高。Tyrer-Cuzick 模型仅将18% 未来可能患上乳腺癌的患者置于最高风险等级,该模型准确率达到了31%。

MIT史上首次用AI控制动物大脑活动!|技术前沿洞察

  (新的深度学习模型可以在癌症发病(右图)前四年,识别出乳腺癌风险(左图),图片来自MIT计算机科学和人工智能实验室(CSAIL))

  同时,研究人员还努力确保风险评估模型在评估少数群体结果方面,和白人患者一样准确(AUC 均为 0.71),而 Tyrer-Cuzick 模式则不同,白人女性和非裔美国女性的 AUC 分别为 0.62 和 0.45。

  该论文作者Regina Barzilay博士表示,未来这项研究可以为乳腺X光检查打下基础,从而确定患者是否存在其他更大的健康风险,如心血管疾病和其他癌症等。

  机器学习绘制更全面的抗生素作用图,将来有望制成靶向抗生素

  众所周知,大多数的抗生素是通过干扰关键功能(例如DNA复制或细菌细胞壁的构建)来治疗人体疾病。然而,这仅仅是抗生素药物作用图谱的很小一部分。

  在一项关于抗生素作用的新研究中,MIT 研究人员开发了一种新的机器学习方法,用于发现有助于某些抗生素杀死细菌的其他机制。“由于药物的压力,对细胞有巨大的能量需求。这些能量需求需要代谢反应,然而,某些代谢的副产物是有毒的,会杀死人体细胞,”麻省理工学院医学工程与科学研究所(IMES)医学工程与科学教授James Collins说。

MIT史上首次用AI控制动物大脑活动!|技术前沿洞察

  研究人员表示,通过了解这种机制可以帮助研究人员发现可与抗生素一起使用的新药,以提高整体的药物作用能力。该论文第一作者 Jason Yang 说 “我们希望从根本上了解,哪些以前未被描述的代谢途径对我们理解抗生素如何杀死可能是重要的。”

  许多其他研究人员使用机器学习模型来分析生物实验数据,并通过训练算法以基于实验数据生成预测。然而,这些模型通常是“黑盒子”——它们无法揭示这些预测是怎么做的。

  为了解决这个问题,MIT 团队采用了一种新颖的方法,他们称之为“白盒子”机器学习。他们不是直接将数据输入机器学习算法,而是先通过一种大规模的计算机模型运行并产生由数据描述的“代谢状态”阵列。然后,再将这些数据阵列转换为机器学习算法,从而识别不同状态之间的联系以及抗生素治疗的结果。

  找到神经网络的“子网络”,让神经网络训练更快更好

  如今,我们生活中几乎所有基于人工智能的产品都依赖于有自主学习并标记数据能力的“深度神经网络”。

  然而,为了更好地学习,神经网络通常需要需要大量的数据集进行大型的训练——这一训练过程耗时长、需要配备昂贵的GPU,有时还需要定制设计的硬件。这些客观因素导致深度学习无法被普及。

  麻省理工学院计算机科学与人工智能实验室(CSAIL)研究人员在一篇新论文中表明,大小只有神经网络十分之一的子网络,也可以通过训练并拥有和深度神经网络一样的预测能力,甚至有时子网络需要的学习时间更短。目前,团队正在研究如何“修剪”整个网络,以及成功地找到“子网络”。

  麻省理工学院助理教授迈克尔·卡宾说,他团队的研究结果表明,如果我们能够确切地确定原始神经网络的哪个部分与最终预测相关,那么科学家有朝一日可能会完全跳过这个昂贵的过程。这将有可能节省数小时的工作量,并让深度学习可以为开发者们所有,而不再是大型科技公司的专利。

  大公司

  说完 MIT 一系列技术前沿进展,下面先来看看美国大公司们这两周在 AI、自动驾驶、芯片等方面有什么进展。

  英伟达:使用基于AI的实时感知进行交叉路口检测

  上周,英伟达在其官方博客公布了一个基于 AI 的实时感知深度神经网络 WaitNet,车辆能够检测、停下并穿过交叉路口,以精确准确度完成了这项工作。

  英伟达表示,这已从内部开发项目转变为将在未来几周内发布的软件,将会作为 NVIDIA DRIVE 软件9.0版本的一部分。

MIT史上首次用AI控制动物大脑活动!|技术前沿洞察

  WaitNet 顾名思义,就是检测自动驾驶汽车必须停下来等待的条件。这是一个卷入 DNN 的训练相机图像数据,用于推断各种等待情况:例如十字路口、建筑区和收费站等,并对它们进行分类。

网友吐槽

推荐阅读

创业故事

友情链接

前沿资讯 行业资料 信息服务 动态趣闻 博客论坛