1号站资讯平台

在计算机上复制一个人的大脑 大数据研究统治神经科学吗?

科技新闻 2020-05-07 11:10912网络1号站007

你能想象在计算机上复制人脑及其工作原理吗? 这是人脑计划(HumanBrainProject)的缩写。

这个为期10年的项目于2013年在欧洲100多所大学和研究中心雇用了大约500名科学家。 HBP是欧盟历史上最大的科学项目-四个未来和新兴技术旗舰项目-FutureandEmerging技术。

HBP将神经科学家、电脑和机器人专家聚集在一起。 建立独特的信息和通信技术(ICT)基于大脑研究的基本设施,以提高大脑研究的能力,以了解人脑及其疾病。 这促进了大脑医学和计算技术的发展。

然而,这是一个复杂的挑战,因为大脑包含860亿个脑细胞(神经元)。每个神经元素平均有7000个神经元素(称为突如其来)。 目前的计算机能力不足以在这个程度上相互连接。

神经系统中的细胞将信息传递给其他神经细胞、肌肉或腺体细胞。 大多数神经元具有细胞轴突和树突。 图源布莱恩·费斯。

但是HBP并没有放弃这个想法的全脑模型。 这些模型中最小的单位不是神经元素,而是与大脑成像分辨率相对应的神经元素群。 这些全脑模型是为小鼠和人脑制造的。他们可以直接集成连接组的数据。 该模型可用于预测和研究癫痫、中风等病理现象。

美国广播公司在过去七年中一直致力于以数据为动力来促进神经科学的蓝图。 神经科学领域的大数据一直备受关注。

关注生命科学进步的媒体“生物通”于2018年发表了题为“新技术:大数据时代神经科学”的文章。 神经科学的新变化是:目前成像技术和高通记录技术的进步是以前所未有的速度产生的。

人脑是一种智能和复杂的机器,其中大部分是非常复杂的。 定量的大数据分析可以真正模拟神经元活动,支配我们的神经元科学,把我们带入神经科学的大数据新时代吗?

德克萨斯大学奥斯汀分校(UniversityofDexasUniversity)是一位致力于机器学习和自然语言处理的研究科学家 ErikLarson在“国际期刊”上发表了一篇题为“大理科学”的文章。 深入分析大数据研究对神经科学的影响和未来。

在分析和评估了HBP及其前身的蓝脑计划之后,ErikLarson提出了一个明确的观点。 大数据只能用作帮手,不能用作神经科学的主人。

ErikLarson认为,数据是数据,即经验,它永远不应该占据神经科学的核心位置。 研究和实验不应让位于数据采集和计算机分析中。

大数据从一开始就被夸大了,现在它们变得过于夸张了。 ViktorMayer-Schnberger和KennethCukier将他们最近出版的书命名为“大数据”。 一场革命会改变我们的生活、工作和思维方式。 这并不是一个非常谦虚的未来。

当然,对于大数据来说,这是更有帮助的。 “福布斯”杂志2012年发表的一篇文章解释了概念上的混乱:12个大数据的定义:你支持哪一个? 2001年,这个术语本身还没有进入字典。 DougLaney将大量数据集带来的挑战描述为三个属性的同时扩展所带来的挑战。 数量(volume)、速度(velocity)和多样性(variety)。

在这个3V模型中,IBM增加了真实性。 对4V模型不满意的其他人也进一步扩大了框架,以表明他们鄙视最初的想法。 Oracle将大数据定义为传统相关数据库驱动的业务决策的价值,并补充了新的非结构数据来源。 在2012年的一项研究中,Intel建立了一个大数据的界限,即该组织每周产生300TB数据。 另一方面,微软将大数据定义为分析大量数据集的一组技术。 数据可能很大,分析是最重要的。

道歉是加特纳数据和分析、研究和咨询小组的副总裁和杰出的分析师。 他是信息管理和分析领域杰出的实践者和公认的当局。 图片来源旅行者。

这些甚至不是定义,而是一系列的陈述。 混合和匹配:大数据指的是对数据集的某些大小的存储和分析,在此过程中对数据的分析使得新观点的诞生成为可能。

毫无疑问,这种规模存在;数据分析确实带来了新的洞察力;但这些洞察力是否有很大的价值。

如果经验主义不是科学本质上收集和分析数据的想法,那么它能做些什么呢? 科学的责任实际上是观察。 这是一个经验主义者,可以追溯到英国:洛克·乔治·贝克莱·大卫·休姆。 经验主义就像一个意想不到的严格的大师。

休先生认为因果之间没有不可避免的联系。 正如我们所知,下一个吞下它的人可能会发现它很有营养。 如果因果没有不可避免的联系,就无法区分经验。 吃和死。 他们之间1号站网站的因果仍然隐藏着。

当然,我们必须允许自然界保持我们与她的所有秘密之间的距离,只有几个肤浅的知识对象。 她向我们隐瞒了完全依赖这些对象的力量和原则。 。

英国的经验主义者早就死了,但在20世纪上半年又重新燃起了。 逻辑证据学家认为,我们在科学上所拥有的是我们所拥有的:经验的多样性是数据的记录。 一些科学哲学家意识到接下来的讨论的无菌性。

卡尔·汉普尔(CarlHamper)认为,即使是简单的现象也不能通过观察来解释。 木头漂浮在水面上,而不是铁。 还有什么比这更容易吗? 但木头有时会下沉,铁有时会浮起来。 只有一个比例的概念才能解释为什么一个有水的棺材会下沉,一个中空的金属球会浮起来。 物体的比例就像事件之间的因果关系:两者都不能直接掌握;两者都在面纱的后面;每个都在解释中具有重要的意义。

现代神经科学取决于计算模型和模拟。 令人印象深刻的计算资源普遍存在。 这种研究环境常被称为大脑观察站。 艾伦脑科学研究所(Aibs)是西雅图的一个例子。

Mindscope是当前AIBS的一个项目,它侧重于在神经元的基础上建立真正的动物和人脑。 大脑观测站可以将大脑地图或地图集成到一起。 这些是计算的大型模型。 没有大脑地图集是不完整的。它代表神经元环境和大脑区域之间的连接。

2011年由Caffley基金会赞助的大脑活动地图(BAM)旨在开发动态地图,如小鼠、猴子和人类。 该项目已被纳入美国政府,通过推进创新神经技术研究项目(BRAIN项目)-一项从2014年开始,预计将在未来十年开始。 AIBS还完成了Allen的大脑连接地图的工作。哈佛医学院有全脑地图,密歇根大学有大脑地图。

研究人员经常自豪地提到他们的数据集。 现在大数据已经变得非常大了。 人脑连接项目预计将产生1PB以上的相对高质量的成像数据.. 在研究和映射7500万神经元的过程中,AIBS积累了1.8PB数据。 虽然规模令人印象深刻,但这些数据集与每年产生的30pb数据相形见绌。

一些模拟已经引起了媒体的极大关注。 也许最著名的是亨利马克拉姆用来模拟老鼠脑皮层柱的蓝脑计划,这是以IBM蓝色基因超级计算机命名的。 虽然该项目被广泛认为几乎没有人告诉我们大脑是如何触发的,但它激发了一个被称为人脑计划(HBP)的后续项目。

其他值得注意的大脑模拟,包括DharmendraModha的神经自适应塑料,可以扩展电子项目系统(Synapse)。 IBM认知计算组经理Modha将他的模拟工作描述为通过Synaptronics和超级计算来认知和计算。 他的目标是尽可能便宜和迅速地建立一个大脑。 Modha声明说,他用147456个CPU和144TB内存反对猫的整个皮层。

正如一个人可能会想到的那样,马克拉姆批评摩哈的模拟不符合生物学的实际情况。 公平第一。 虽然它比莫德哈的项目要复杂得多,但即使是马克拉姆的工作也简化了实用的神经元。

HBP于2013年在洛桑联邦理工学院(洛桑联邦理工学院)。 在欧盟的批准下,它在10年内获得了超过10亿欧元的资金。 美国广播公司致力于以数据为动力,以1号站网站促进神经科学的蓝图。

HBP认为智慧来自大脑神经元的复杂互动。 智慧的出现不需要更多的东西来模拟神经元和神经元之间的联系。 为了发现我们知识中缺乏的部分是不必要的,事实上,神经科学的支离破裂最终阻碍了研究的进行。 2010年出版了6万多篇题为“大脑”的论文。

木头会漂浮,但铁会下沉的声明中很少提到浮力,声明中提到的一点也是错误的。 神经元的陈述有什么区别? 怎么了? 如果你需要用比重来解释浮力,你可能需要用什么样的理论概念来解释大脑? 问题是:谁知道? 几乎所有的神经科学家,包括马克拉姆本人,都承认我们没有理论框架来制造大量的数据。

大脑最初使用的复杂认知和运动的复杂多样性神经代码是什么? 这个代码在某种程度上与神经元突然跳跃有关,但我们还不知道该怎么办。

马克拉姆认为,神经元峰可以主要通过离子电荷差异引起的薄膜行为来解释,因此它与振荡等高级模式相比具有更大的相关性。

一旦数据产生,它们就被用来扩展多变量模拟。 为了模拟生物学的现实神经元素及其连接,需要建立一个神经元行为模型。 马克拉姆的理论基于霍奇金和霍克西方程,这是一组描述动作电位启动和传播的非线微方程。 AlanLoydHodgkin和AndrewHuxley在20世纪50年代以普通电路为框架提出了自己的模型..

20世纪90年代在耶鲁大学开发的Neuron软件是在H-H模型的基础上开发的,今天在一系列神经科学项目(包括HBP)中使用。

1952年,AlanLoydHodgkin和AndrewHuxley描述了该模型。 解释了在鱿鱼轴突然发动和传播动作电位的离子机制。 结果,他们在1963年获得了诺贝尔生理或医学奖。 照片来源Wikia。

H-H模型不能完全解释神经元的高峰,甚至离子通道。 然而,取得了一些进展。 Hodgkin和Huxley无法确定离子传输的时间激活序列。 他们只能接近它。 20世纪60年代和70年代的研究通过使用薄膜跨越蛋白的孔隙理论来解决这一问题。 然而,除了这些相对较小的调整之外,基本的H-H模型仍然是神经科学中的主导地位。

在他们最初的研究中,Hodgkin和Huxley提出了一种描述离子门开启概率的方程。 它们的方程取决于一些参数推理。 他们是如何得到他们的具体推理的霍金金和霍克利也承认了这一点。

B.因为从经验中发现的参数中建立H-H模型所需的方程通常是缺失的,所以曲线数字化被用来重现它们。 这是一种将图像转换成数字公式的技术。 在Dickar坐标系统中绘制了一条标准的激活曲线。曲线数字技术可以提取函数以在坐标系统中重新创建曲线。 目前,开放源码软件包EngaugeDigizer正在使用它。

d.因为初始模拟通常是错误的,所以需要重新调整参数。 计算机模型是通过调整从参数识别中提取的数字来实现实验结果的。

这不是一个计算的计划。如果仅仅是由一个神经元素引入的错误将传播到下游模拟中的神经元素组和电路中的神经元素。 那么这不是一个自信的计划。

然后是预测神经科学(PN),这是研究人员使用hbp来模拟神经元之间的连接。 使用总结机的学习技术来确定已知的突然接触。 传统的神经网络和更强大的扩张网络被使用,即卷积神经网络。

马克拉姆已经表明,机器学习功能可以正确预测鼠标大脑皮层柱以前未知的连接。 该方法的准确性接近80%。 虽然它代表了将机器学习应用于生物数据集的进展,但该方法的平均误差率为2/10。 这并不意味着任何反向工程计算机的策略。 但是,除了这个问题,值得注意的是这种方法的内在总结。

机器学习的第一种方法是为模型提供一些已知的培训示例。 每个经核实的神经元组成一个例子。 一些参数被指定,然后模型通过培训例子来学习神经元之间的联系。 数值优化技术迫使模型收敛到最适合于培训实例的参数值。 一旦训练结束,模型就可以在以前从未见过的例子中操作。 将测试或生产数据集上的连接点的预测与培训集进行比较。

机器学习技术概括。 简单的总结是保守的,把我们已经知道的东西应用到一个新的例子中。 但是,当一组观察结果的基本原理不完整或基本unknown时,该方法将失败。

HBP对PN的接受特别容易受到这些危险的影响。 我们对大脑数据的基本分布缺乏完整性或完全理解。 如果这似乎是不安的话,更令人不安的是对大规模脑模拟及其对数据驱动方法的依赖。

考虑到上升的概念-对这个神经水平的数据分析足以解释认知、感知、意识或概念的流行解释。

正如马克拉姆所指出的那样,神经科学家们接受了模拟,并希望这种模拟能够扩大他们的规模,并希望扩大他们自己的洞察力。 如果不可能扩大数据的规模,那么为什么不扩大研究人员的规模呢? 显然,关键是扩大规模。 马克拉姆和国际神经信息协调主任塞恩·希尔是蜂群科学的支持者。 所以希尔说。

人脑项目的目标之一是在神经科学领域引发和促进新一轮的全球合作。 如果社区成功地参与进来,目标是让一群科学家克服和理解大脑及其疾病的主要挑战-在这种环境下。 每个人都会因为他们的贡献而被认可。

蜂群的隐喻可以说是大数据逻辑的终结。 数据采集和计算机分析占据了核心位置。 研究和实验已经从视野中消失了。

这里没有新的东西。 类似的智慧概念一直是Web2.0等趋势的象征。 如果已知的数量是最重要的,那么集团是集团的中心是有价值的,但如果不是这样,它们就会失效。

更广泛的神经科学,特别是欧洲的神经科学,对HBP提出了尖锐的批评。 2014年7月,800多名签名请愿书对该项目的进程表示关注。 第二轮供应反映了目标和资金分配的接近减少,包括取消神经科学项目和删除其他18个实验室。 如果对HBP进行正式审查,则无效的签名人要求。

欧盟委员会和会员国将向HBP的核心项目和合作项目分配资金,以获得广泛的神经科学指导资金。 实现HBP的初始目标-理解大脑功能及其对社会的影响。

神经科学甚至科学本身的希望取决于我们的工具和工具的进步,包括我们的计算资源。 这种工具是助手,而不是主宰。

科学中的大数据是众所周知的。 这是数据。 数据是观察的。 观察是经验。 没有理论经验,正如伊曼纽尔·康德所说,没有理论经验是盲目的。

ErikLarson是德克萨斯大学前研究科学家,专门从事机器学习和自然语言处理。 他目前正在写一本关于现代社会人工智能的书。

在2014年成立的编辑委员会成员聚集了皇家学会成员,包括诺贝尔奖得主。 专家学者,如麻省理工学院和其他顶尖学院。 并广泛邀请来自不同领域的专家和学者撰写文章。 与同行不同的是,Inference更致力于对理性和洞察力的评论。 这些文章反映了杂志从人类学习到动物学的真实多样性。

1979年,世界顶尖科学家协会的物理奖得主谢尔顿·格拉什(SheldonLeeeGlashow)担任“信息” 他自己也是一种流行的美国电视剧“生活大爆炸”中的谢耳。 2017年诺贝尔物理奖得主,世界顶尖科学家协会成员,引力波研究先锋巴里巴里希和清华大学跨华大学,中国科学院院士。

免责声明:文章《在计算机上复制一个人的大脑 大数据研究统治神经科学吗?》来至网络,文章表达观点不代表本站观点,文章版权属于原作者所有,若有侵权,请联系本站站长处理!

发表评论
看不清?点击更换

注:网友评论仅供其表达个人看法,并不代表本站立场。

Copyright @ 2011-2018 1号站资讯平台 All Rights Reserved. 版权所有

 备案号:苏ICP12346678

联系QQ: 12345678 邮箱地址:12345678@qq.com

友情链接:1号站平台 1号站 一号站