Im Gleichnis von den Blinden und dem Elefanten beschreiben mehrere Blinde jeweils einen anderen Teil eines Elefanten, den sie berühren - einen scharfen Stoßzahn, einen weichen Rüssel oder ein breites Bein - und sind sich nicht über die wahre Natur des Tieres einig. Diese Geschichte veranschaulicht das Problem, ein unsichtbares oder latentes Objekt auf der Grundlage unvollständiger individueller Wahrnehmungen zu verstehen. Ebenso müssen Wissenschaftler, wenn sie die Hirndynamik anhand von Aufzeichnungen einer begrenzten Anzahl von Neuronen untersuchen, auf die latenten Muster der Hirndynamik schließen, die diese Aufzeichnungen hervorbringen.
"Angenommen, Sie und ich führen eine mentale Aufgabe aus, wie z. B. den Weg zur Arbeit zu finden. Können uns die Signale eines kleinen Bruchteils der Neuronen sagen, ob wir die gleichen oder unterschiedliche mentale Strategien verwenden, um diese Aufgabe zu lösen?", fragt Pierre Vandergheynst, Leiter des Labors für Signalverarbeitung LTS2 an der Fakultät für Ingenieurwissenschaften und Technik der EPFL. "Dies ist eine grundlegende Frage für die Neurowissenschaften, da Experimentatoren oft Daten von vielen Tieren aufzeichnen, aber wir haben nur wenige Hinweise darauf, ob sie eine bestimmte Aufgabe repräsentieren, die die gleichen Gehirnmuster verwendet."
Pierre Vandergheynst und der ehemalige Postdoktorand Adam Gosztolai, heute Assistenzprofessor am Institut für KI der Medizinischen Universität Wien, haben in Nature Methods einen auf geometrischem Deep Learning basierenden Ansatz für künstliche Intelligenz veröffentlicht, der Muster latenter Gehirnaktivität bei Versuchspersonen ableiten kann. MARBLE (Manifold Representation Basis Learning) erreicht dies, indem es die elektrische neuronale Aktivität in dynamische Muster oder Motive zerlegt, die ein geometrisches neuronales Netz erlernen kann. In Experimenten mit Gehirnaufzeichnungen von Makaken und Ratten haben Wissenschaftler mithilfe von MARBLE gezeigt, dass, wenn verschiedene Tiere die gleiche mentale Strategie anwenden, um etwas zu greifen oder sich in einem Labyrinth zu orientieren, ihre Gehirndynamik aus den gleichen Mustern besteht.
Ein geometrisches neuronales Netz für dynamische Daten.
Herkömmliches Deep Learning ist nicht geeignet, um dynamische Systeme zu verstehen, die sich im Laufe der Zeit regelmäßig verändern, wie z. B. aktive Neuronen oder strömende Flüssigkeiten. Diese Aktivitätsmuster sind so komplex, dass sie am besten als geometrische Objekte in hochdimensionalen Räumen beschrieben werden. Ein Beispiel für ein solches Objekt ist ein Torus, der einem Donut ähnelt.MARBLE soll in erster Linie Neurowissenschaftlern helfen, zu verstehen, wie das Gehirn von Mensch zu Mensch oder unter experimentellen Bedingungen rechnet... Aber wir glauben, dass unser Werkzeug auch für Wissenschaftler in anderen Bereichen der Physik und der Biowissenschaften nützlich sein wird, die mehrere Datensätze gemeinsam analysieren möchten."
Pierre Vandergheynst
Wie Adam Gosztolai erklärt, ist MARBLE einzigartig, weil es aus dem Inneren gekrümmter Räume lernt - natürliche mathematische Räume für komplexe Muster neuronaler Aktivität. "Innerhalb dieser Räume weiß der geometrische Deep-Learning-Algorithmus nicht, dass sie gekrümmt sind. Daher sind die dynamischen Muster, die er lernt, unabhängig von der Form des Raums, was bedeutet, dass er die gleichen Muster aus verschiedenen Datensätzen entdecken kann."
Das Team der EPFL testete MARBLE anhand von Aufnahmen des prämotorischen Kortex von Makaken während einer Greifaufgabe und des Hippocampus von Ratten während einer Aufgabe zur räumlichen Orientierung. Sie fand heraus, dass MARBLEs Darstellungen, die auf Aufzeichnungen einzelner Neuronenpopulationen basierten, viel besser interpretierbar waren als die anderer Methoden des maschinellen Lernens, und dass MARBLE die Gehirnaktivität entsprechend den Armbewegungen mit größerer Genauigkeit entschlüsseln konnte als andere Methoden.
Da MARBLE auf der mathematischen Theorie hochdimensionaler Formen beruht, war es außerdem in der Lage, Aufzeichnungen der Gehirnaktivität aus verschiedenen Versuchsbedingungen unabhängig voneinander in einer Gesamtstruktur zusammenzufassen. Dies verschafft ihm einen Vorteil gegenüber anderen Methoden, die mit einer von der Anwenderin oder dem Anwender definierten Gesamtform arbeiten müssen.
Für eine vielfältige Nutzung
Neben einem tieferen Verständnis der Dynamik, die den Berechnungen des Gehirns und dem Verhalten zugrunde liegt, könnte MARBLE die Daten der neuronalen Aktivität nutzen, um die dynamischen Muster des Gehirns bei bestimmten Aufgaben, wie z. B. dem Greifen, zu erkennen und sie in dekodierbare Darstellungen umzuwandeln, die dann zur Auslösung einer assistierenden Robotervorrichtung verwendet werden könnten. Die Wissenschaftler betonen jedoch, dass MARBLE ein leistungsstarkes Werkzeug ist, das auf verschiedene Wissenschaftsbereiche und Datensätze angewendet werden könnte, um dynamische Phänomene zu vergleichen."Die MARBLE-Methode soll in erster Linie Neurowissenschaftlern dabei helfen, zu verstehen, wie das Gehirn von Mensch zu Mensch oder unter experimentellen Bedingungen rechnet, und - sofern vorhanden - universelle Muster zu entdecken", sagt Pierre Vandergheynst. "Aber ihre mathematische Grundlage beschränkt sich nicht auf Gehirnsignale, und wir glauben, dass unser Werkzeug auch für Wissenschaftler in anderen Bereichen der Physik und der Biowissenschaften nützlich sein wird, die mehrere Datensätze gemeinsam analysieren möchten."
