In de Moonshot-inspanning om eindelijk de hersenen te achterhalen

'Dit is het probleem met kunstmatige intelligentie van vandaag', zegt David Cox. Ja, het is verbazingwekkend goed geworden, van bijna perfecte gezichtsherkenning tot auto's zonder bestuurder en wereldkampioen Go-playing-machines. En het is waar dat sommige AI-applicaties niet eens meer geprogrammeerd hoeven te worden: ze zijn gebaseerd op architecturen waarmee ze kunnen leren van ervaringen.

Toch heeft het nog steeds iets onhandigs en bruuts, zegt Cox, een neurowetenschapper aan Harvard. Om een ​​hondendetector te bouwen, moet je het programma duizenden dingen laten zien die honden zijn en duizenden die geen honden zijn, zegt hij. Mijn dochter hoefde maar één hond te zien - en heeft sindsdien graag puppy's gewezen. En de kennis die de AI van vandaag uit al die gegevens weet te halen, kan vreemd kwetsbaar zijn. Voeg wat kunstzinnige ruis toe aan een afbeelding - ruis die een mens niet eens zou opmerken - en de computer zou een hond voor een afvalcontainer kunnen aanzien. Dat is niet goed als mensen gezichtsherkenning gebruiken voor bijvoorbeeld beveiliging op smartphones (zie Is AI Riding a One-Trick Pony?).

Postdoctoraal wetenschapper Abhinav Grama observeert de hersenen.

Na de test zijn de hersenen van het dier verwijderd.

Dit verhaal maakte deel uit van ons nummer van november 2017

• Zie de rest van het nummer
• Abonneren

Om dergelijke beperkingen te overwinnen, hebben Cox en tientallen andere neurowetenschappers en machine learning-experts vorig jaar hun krachten gebundeld voor de Machine Intelligence van Cortical Networks (MICrONS) initiatief : een inspanning van $ 100 miljoen om de hersenen te reverse-engineeren. Het zal het neurowetenschappelijke equivalent zijn van een moonshot, zegt Jacob Vogelstein, die MICrONS bedacht en lanceerde toen hij programmamedewerker was voor de Intelligence Advanced Research Projects Agency, de onderzoeksafdeling van de Amerikaanse inlichtingengemeenschap. (Hij werkt nu bij de durfkapitaalfirma Camden Partners in Baltimore.) MICrONS-onderzoekers proberen de functie en structuur van elk detail in een klein stukje knaagdiercortex in kaart te brengen.

Het getuigt van de complexiteit van de hersenen dat er een moonshot nodig is om zelfs dit kleine stukje cortex in kaart te brengen, een kubus van één millimeter aan een kant - zo groot als een grove zandkorrel. Maar deze kubus is duizenden keren groter dan welk deel van de hersenen dan ook dat iemand ooit heeft geprobeerd te detailleren. Het zal ongeveer 100.000 neuronen bevatten en zoiets als een miljard synapsen, de knooppunten die zenuwimpulsen mogelijk maken om van het ene neuron naar het andere te springen.

Een rattenbrein in een schaal.

Het is een ambitie die andere neurowetenschappers met ontzag achterlaat. Ik vind wat ze doen heroïsch, zegt Eve Marder, die haar hele carrière heeft besteed aan het bestuderen van veel kleinere neurale circuits aan de Brandeis University. Het is een van de meest opwindende dingen die gebeuren in de neurowetenschappen, zegt Konrad Kording, die computationele modellering van de hersenen doet aan de Universiteit van Pennsylvania.

De hersenen worden op een plaat geplakt voordat ze worden gescand.

Het uiteindelijke resultaat zullen de neurale geheimen zijn die worden gewonnen uit de gegevens van het project - principes die zouden moeten vormen wat Vogelstein de computationele bouwstenen voor de volgende generatie AI noemt. Per slot van rekening, zegt hij, zijn de neurale netwerken van vandaag gebaseerd op een decennia-oude architectuur en een vrij simplistische opvatting van hoe de hersenen werken. In wezen verspreiden deze systemen kennis over duizenden dicht met elkaar verbonden knooppunten, analoog aan de neuronen van de hersenen. De systemen verbeteren hun prestaties door de sterkte van de verbindingen aan te passen. Maar in de meeste neurale computernetwerken lopen de signalen altijd naar voren, van de ene set knooppunten naar de volgende. Het echte brein zit vol met feedback: voor elke bundel zenuwvezels die signalen van de ene regio naar de andere transporteert, is er een gelijk of groter aantal vezels die de andere kant op terugkomen. Maar waarom? Zijn die feedbackvezels het geheim van eenmalig leren en zoveel andere aspecten van de immense kracht van de hersenen? Is er iets anders aan de hand?

MICrONS zou op zijn minst een deel van de antwoorden moeten bieden, zegt de neurowetenschapper Sebastian Seung van Princeton University, die een sleutelrol speelt bij het in kaart brengen. Sterker nog, zegt hij, ik denk niet dat we deze vragen kunnen beantwoorden zonder een project als dit.

Afbeelding 1: De kleine kubus linksboven is het deel van de hersenen dat in kaart zal worden gebracht. Afbeelding 2: Dat stuk van de hersenen is ingepakt in acryl als voorbereiding om extreem dun te worden gesneden.

Inzoomen

De MICrONS-teams - één onder leiding van Cox, één gebaseerd op Rijst Universiteit en het Baylor College of Medicine, en een derde aan Carnegie Mellon – streven elk naar iets dat opmerkelijk veelomvattend is: een reconstructie van alle cellen in een kubieke millimeter van het brein van een rat, plus een bedradingsschema – een connectoom – dat laat zien hoe elke cel is verbonden met elke andere cel, en gegevens die precies laten zien in welke situaties neuronen vuren en andere neuronen beïnvloeden.

De eerste stap is om in de hersenen van de ratten te kijken en erachter te komen wat de neuronen in die kubieke millimeter eigenlijk doen. Wanneer het dier een specifieke visuele stimulus krijgt, zoals een lijn die op een bepaalde manier is georiënteerd, welke neuronen beginnen dan plotseling impulsen af ​​te vuren en welke buren reageren?

Nog maar tien jaar geleden varieerde het vastleggen van dat soort gegevens van moeilijk tot onmogelijk: de tools hebben gewoon nooit bestaan, zegt Vogelstein. Het is waar dat onderzoekers ultradunne draden in de hersenen konden schuiven en prachtige opnames konden maken van elektrische activiteit in individuele neuronen. Maar ze konden niet van meer dan enkele tientallen tegelijk opnemen omdat de cellen zo dicht op elkaar gepakt zijn. Onderzoekers konden ook de algemene geografie van neurale activiteit in kaart brengen door mensen en andere dieren in MRI-machines te plaatsen. Maar op die manier konden onderzoekers individuele neuronen niet volgen: de ruimtelijke resolutie was op zijn best ongeveer een millimeter.

De gesneden plakjes hersenen plakken op een plastic tape.

De tape, met hersenmonsters eraan vastgemaakt, wordt bijgesneden en op een schuifplaat geplaatst die in een enorme scanmachine gaat.

Wat die impasse doorbrak, was de ontwikkeling van technieken om neuronen te laten oplichten wanneer ze in een levend brein schieten. Om dit te doen, zaaien wetenschappers de neuronen meestal met fluorescerende eiwitten die gloeien in de aanwezigheid van calciumionen, die in overvloed toenemen wanneer een cel vuurt. De eiwitten kunnen chemisch in de hersenen van een knaagdier worden ingebracht, door een goedaardig virus worden gedragen of zelfs worden gecodeerd in het genoom van de neuronen. De fluorescentie kan dan op verschillende manieren worden geactiveerd - misschien wel het handigst, door een paar lasers die infrarood licht in de rat pompen via een raam in zijn schedel. De infraroodfrequenties zorgen ervoor dat de fotonen het relatief ondoorzichtige neurale weefsel kunnen binnendringen zonder iets te beschadigen, voordat ze worden geabsorbeerd door de fluorescerende eiwitten. De eiwitten combineren op hun beurt de energie van twee van de infraroodfotonen en geven deze vrij als een enkel zichtbaar lichtfoton dat onder een gewone microscoop kan worden gezien terwijl het dier naar iets kijkt of een aantal andere acties uitvoert.

Andreas Tolias, die een deel van het team van Baylor leidt, zegt dat dit revolutionair is omdat je van elk afzonderlijk neuron kunt opnemen, zelfs van de neuronen die vlak naast elkaar staan.

Zodra een team in Cox's lab de neurale activiteit van een rat in kaart heeft gebracht, wordt het dier gedood en worden zijn hersenen doordrenkt met het zware metaal osmium. Vervolgens snijdt een team onder leiding van Harvard-bioloog Jeff Lichtman de hersenen in plakjes en zoekt uit hoe de neuronen precies zijn georganiseerd en verbonden.

Dat proces begint in een kelderlab met een desktopmachine die werkt als een salami-snijmachine voor delicatessen. Een klein metalen plaatje gaat op en neer, hakt methodisch de punt weg van wat lijkt op een amberkleurig krijtje en plakt de plakjes aan een transportband van plastic tape. Het verschil is dat de salami eigenlijk een buis van harde hars is die het kwetsbare hersenweefsel omhult en ondersteunt, de bewegende plaat een onmogelijk scherp diamantblad bevat en de plakjes ongeveer 30 nanometer dik zijn.

Scans van hersenplakjes worden door een algoritme aan elkaar genaaid.

Links is een multibeam-gezichtsveld te zien, gemaakt van 61 afbeeldingen gemaakt door de elektronenmicroscoop; Rechts zijn 14 multibeam gezichtsvelden gecombineerd.

Scans worden samengevoegd tot een kubus en ingekleurd.

Vervolgens worden in een ander laboratorium in de hal stukken tape met verschillende hersenschijfjes op siliciumwafels gemonteerd en in wat lijkt op een grote industriële koelkast geplaatst. Het apparaatje is een elektronenmicroscoop: het scant met 61 elektronenstralen tegelijkertijd 61 stukjes hersenweefsel met een resolutie van vier nanometer.

Elke wafer heeft ongeveer 26 uur nodig om te scannen. Monitoren naast de microscoop tonen de resulterende beelden terwijl ze zich opstapelen in ontzagwekkende details - celmembranen, mitochondriën, met neurotransmitters gevulde blaasjes die zich verdringen bij de synapsen. Het is alsof je inzoomt op een fractal: hoe beter je kijkt, hoe meer complexiteit je ziet.

Snijden is niet het einde van het verhaal. Zelfs als de scans uit de microscoop komen - je maakt een soort film waarin elk plakje dieper is, zegt Lichtman - worden ze doorgestuurd naar een team onder leiding van Harvard-computerwetenschapper Hanspeter Pfister. Het is onze rol om de beelden te maken en zoveel mogelijk informatie te extraheren, zegt Pfister.

Dat betekent dat al die driedimensionale neuronen - met al hun organellen, synapsen en andere kenmerken - moeten worden gereconstrueerd uit een stapel 2D-schijfjes. Mensen zouden het met papier en potlood kunnen doen, maar dat zou hopeloos traag zijn, zegt Pfister. Dus hij en zijn team hebben neurale netwerken getraind om de echte neuronen te volgen. Ze presteren veel beter dan alle andere methoden die we hebben gebruikt, zegt hij.

Elk neuron, ongeacht de grootte, stoot een bos van ranken uit, dendrieten genoemd, en elk heeft een andere lange, dunne vezel, een axon genaamd, voor het overbrengen van zenuwimpulsen over lange afstanden - volledig door de hersenen, in extreme gevallen, of zelfs alle neuronen. weg naar beneden in het ruggenmerg. Maar door een kubieke millimeter in kaart te brengen zoals MICrONS doet, kunnen onderzoekers de meeste van deze vezels van begin tot eind volgen en zo een volledig neuraal circuit zien. Ik denk dat we dingen zullen ontdekken, zegt Pfister. Waarschijnlijk structuren die we nooit vermoedden, en compleet nieuwe inzichten in de bedrading.

De kracht van anticipatie

Een van de vragen die de MICrONS-teams hopen te beantwoorden: wat zijn de algoritmen van de hersenen? Hoe werken al die neurale circuits eigenlijk? En vooral, wat doet al die feedback?

Veel van de hedendaagse AI-toepassingen gebruiken geen feedback. Elektronische signalen in de meeste neurale netwerken lopen in cascade van de ene laag knooppunten naar de volgende, maar over het algemeen niet achteruit. (Laat u niet misleiden door de term backpropagation, dat is een manier om trein neurale netwerken.) Dat is geen vaste regel: terugkerende neurale netwerken hebben verbindingen die achteruit gaan, wat hen helpt om te gaan met inputs die met de tijd veranderen. Maar geen van hen gebruikt feedback op zoiets als de schaal van de hersenen. In een goed bestudeerd deel van de visuele cortex, zegt Tai Sing Lee at Carnegie Mellon , luistert slechts 5 tot 10 procent van de synapsen naar input van de ogen. De rest luistert naar feedback van hogere niveaus in de hersenen.

De gekleurde kubussen zijn nuttig in 3D-illustraties van verschillende neuronale structuren en processen, waardoor wetenschappers hun meest gedetailleerde kaart tot nu toe hebben van wat er werkelijk in de hersenen gebeurt.

Er zijn twee brede theorieën over waar de feedback voor dient, zegt Cox, en een daarvan is het idee dat de hersenen constant proberen hun eigen input te voorspellen. Terwijl de sensorische cortex aan het verwerken is deze frame van de film, om zo te zeggen, proberen de hogere niveaus van de hersenen te anticiperen op de De volgende frame, en geven hun beste gissingen terug door de feedbackvezels.

Dit is de enige manier waarop de hersenen kunnen omgaan met een snel veranderende omgeving. Neuronen zijn erg traag, zegt Cox. Het kan tot 170 tot 200 milliseconden duren om van licht dat op het netvlies valt door alle stadia van verwerking tot het niveau van bewuste waarneming te gaan. In die tijd legt de tennisservice van Serena Williams negen meter af. Dus wie die service weet terug te slaan, moet haar racket uitzwaaien op basis van voorspelling.

En als je constant de toekomst probeert te voorspellen, zegt Cox, dan kun je, wanneer de echte toekomst arriveert, je aanpassen om je volgende voorspelling beter te maken. Dat sluit goed aan bij de tweede grote theorie die wordt onderzocht: dat de feedbackverbindingen van de hersenen er zijn om het leren te begeleiden. Computersimulaties tonen inderdaad aan dat een strijd om verbetering elk systeem dwingt om steeds betere modellen van de wereld te bouwen. Cox zegt bijvoorbeeld dat je moet uitzoeken hoe een gezicht eruit zal zien als het draait. En dat, zegt hij, kan een cruciaal stukje van de one-shot-learning puzzel blijken te zijn.

Toen mijn dochter voor het eerst een hond zag, zegt Cox, hoefde ze niet te leren hoe schaduwen werken of hoe licht van oppervlakken weerkaatst. Ze had al een rijk reservoir aan ervaring over zulke dingen opgebouwd, alleen al door in de wereld te leven. Dus toen ze bij iets kwam als 'Dat is een hond', zegt hij, kon ze die informatie toevoegen aan een enorme hoeveelheid kennis.

Als deze ideeën over de feedback van de hersenen correct zijn, zouden ze kunnen verschijnen in de gedetailleerde kaart van MICrONS van de vorm en functie van de hersenen. De kaart zou kunnen aantonen welke trucs het neurale circuit gebruikt om voorspelling en leren te implementeren. Uiteindelijk zouden nieuwe AI-toepassingen dat proces kunnen nabootsen.

Maar zelfs dan zullen we nog lang niet alle vragen over de hersenen beantwoorden. Het kennen van neurale circuits zal ons niet alles leren. Er zijn vormen van cel-tot-cel communicatie die niet door de synapsen gaan, waaronder sommige die worden uitgevoerd door hormonen en neurotransmitters die in de ruimten tussen de neuronen zweven. Er is ook een kwestie van schaal. Hoe grote sprong MICrONS ook mag zijn, het is nog steeds maar kijken naar een klein stukje cortex voor aanwijzingen over wat relevant is voor berekeningen. En de cortex is slechts de dunne buitenste laag van de hersenen. Kritische commando- en controlefuncties worden ook uitgevoerd door diepe hersenstructuren zoals de thalamus en de basale ganglia.

Het goede nieuws is dat MICrONS nu al de weg vrijmaakt voor toekomstige projecten die grotere delen van de hersenen in kaart brengen.

Een groot deel van de $ 100 miljoen, zegt Vogelstein, wordt besteed aan technologieën voor het verzamelen van gegevens die niet opnieuw hoeven te worden uitgevonden. Tegelijkertijd ontwikkelen MICrONS-teams snellere scantechnieken, waaronder een techniek die het snijden van weefsel overbodig maakt. Teams van Harvard, MIT en het Cold Spring Harbor Laboratory hebben een manier bedacht om elk neuron uniek te labelen met een streepjescodeschema en de cellen vervolgens tot in detail te bekijken door ze te verzadigen met een speciale gel die ze heel voorzichtig opblaast tot tientallen of honderden keren hun normale grootte.

Dus de eerste kubieke millimeter zal moeilijk te verzamelen zijn, zegt Vogelstein, maar de volgende zal veel gemakkelijker zijn.

M. Mitchell Waldrop is een freelance schrijver in Washington, D.C. Hij is de auteur van: Complexiteit en de droommachine en was vroeger redacteur bij Natuur .

zich verstoppen