Generasi Kemauan dari Pola Temporal yang Dapat Direproduksi dan Efisien
Jul 14, 2023
Abstrak:Salah satu karakteristik luar biasa dari otak biologis adalah biaya energi yang rendah yang diperlukan untuk mengimplementasikan berbagai fungsi dan kecerdasan biologis dibandingkan dengan kecerdasan buatan (AI) modern. Kode temporal hemat energi berbasis lonjakan telah lama disarankan sebagai kontributor otak yang berjalan dengan biaya energi rendah. Meskipun kode ini sebagian besar dilaporkan di korteks sensorik, apakah kode ini dapat diimplementasikan di area otak lain untuk melayani fungsi yang lebih luas dan bagaimana kode ini berkembang selama pembelajaran masih belum tertangani. Dalam penelitian ini, kami merancang paradigma antarmuka otak-mesin (BMI) baru. Dua kera bisa secara sukarela menghasilkan direproduksipola temporal hemat energidi korteks motorik primer (M1) dengan mempelajari paradigma BMI. Selain itu, sebagian besar neuron yang tidak secara langsung ditugaskan untuk mengontrol BMI tidak meningkatkan rangsangannya, dan mereka menunjukkan cara hemat energi secara keseluruhan dalam melakukan tugas tersebut. Selama pembelajaran, kami menemukan bahwa kecepatan tembak dan presisi temporal dari neuron terpilih berevolusi bersama untuk menghasilkanpola temporal hemat energi, menunjukkan bahwa pemrosesan yang kohesif daripada yang dapat dipisahkan mendasari penyempurnaan pola temporal hemat energi.
Kata kunci:pola temporal yang tepat;kode hemat energi;antarmuka otak-mesin; korteks motorik primer
KLIK DI SINI UNTUK MENGETAHUI CISTANCHE UNTUK ENERGI OTAK
1. Perkenalan
Meskipun otak manusia secara aktif menguras 20 persen energi tubuh, pada akhirnya hanya mengkonsumsi daya 20 watt [1,2]. Selain itu, salah satu studi terbaru mengungkapkan bahwa daya yang dikeluarkan untuk perhitungan saraf membutuhkan kurang dari satu persen dari total anggaran [3]. Dibandingkan dengan energi yang dikonsumsi oleh kecerdasan buatan (AI) modern yang diimplementasikan dalam perangkat keras berbasis silikon, otak mengkonsumsi sangat sedikit untuk mengimplementasikan kecerdasan biologis. Selama beberapa dekade, para ilmuwan dan insinyur telah berusaha untuk menarik wawasan dari skema pengkodean saraf untuk membangun sistem cerdas yang efisien. Pengkodean temporal, dimana informasi dikomunikasikan dan diproses melalui koordinasi temporal paku, memanfaatkan sifat diskrit paku. Kode temporal secara teoritis dapat membawa lebih banyak informasi daripada kode laju [4]. Oleh karena itu, pengkodean temporal telah menarik perhatian dan telah digunakan dalam praktik AI [5-7]. Namun, penerapan kode temporal tidak serta merta mengarah pada ketersebaran atau anggaran energi yang rendah secara global di otak biologis (Gambar 1A). Menurut [8], efisiensi kode didefinisikan sebagai rasio kapasitas representasi terhadap energi yang dikeluarkan, yang ditandai dengan jumlah potensial aksi yang disertakan. Satu studi baru-baru ini menunjukkan bahwa generasi pola temporal yang tepat disertai dengan peningkatan eksitasi [9]. Dalam hal ini, meskipun pola temporal yang tepat dihasilkan dengan kuat, mereka tidak dianggap efisien, karena meningkatnya biaya metabolisme yang disebabkan oleh lonjakan surplus. Oleh karena itu, pemahaman yang lebih dalam tentang bagaimana pola temporal yang efisien dihasilkan dan perbedaan saraf yang mendasari pembentukan pola yang efisien dan tidak efisien sangat diperlukan. Pemahaman yang lebih dalam ini adalah kunci untuk menggambarkan implikasi fungsional dalam ranah ilmu saraf dan merancang kecerdasan buatan yang efisien.
Gambar 1. Skema kode temporal yang tepat. (A) Skema menggambarkan dua jenis kode temporal yang tepat. Persegi panjang berarsir menandai sinkronisasi yang tepat di luar fluktuasi laju yang diawetkan dalam rangkaian lonjakan dua neuron. Namun, pola temporal tepat yang efisien yang digambarkan di sebelah kanan mengandung lebih sedikit paku daripada di sebelah kiri, meskipun jumlah kebetulan paku di bawah kedua kasus itu identik. (B) Skema tentang bagaimana kode yang efisien dipelajari pada jaringan saraf tiruan dengan secara eksplisit memasukkan istilah regularisasi ke dalam fungsi biaya untuk menghukum tingkat pembakaran tinggi r (t). Di sini, c(t) menunjukkan sinyal target yang diwakili oleh jaringan. ( C ) Skema penggabungan eksplisit kapasitas informasi c (t) dan biaya metabolisme (tingkat pembakaran neuron r (t)) dalam dekoder antarmuka mesin-otak untuk mempelajari kode efisien in vivo. NCS(t) adalah variabel decode yang didefinisikan dalam penelitian ini
Selama beberapa dekade terakhir, para peneliti telah mendokumentasikan pola temporal yang efisien, terutama dalam konteks pengkodean stimulus [10,11]. Namun, selain mewakili stimulus, berbagai perhitungan dilakukan di otak biologis untuk menghasilkan kecerdasan, misalnya memori kerja, pembentukan pola mandiri yang kompleks, dan pengeluaran output. Namun demikian, sangat sedikit yang diketahui tentang apakah pola temporal yang efisien dapat diimplementasikan secara reproduktif untuk melayani fungsi yang lebih luas. Topik kontroversial lainnya dalam kaitannya dengan kode yang efisien adalah kemampuannya untuk dipelajari. Karena perpindahan sementara dari setiap lonjakan "menghitung", dan lonjakan surplus apa pun akan dianggap mahal secara metabolik menurut definisi kode yang efisien, penyebaran kode ini dalam jaringan saraf berbasis lonjakan untuk mendukung komputasi yang efisien sangat menjanjikan. Namun, relatif sedikit penelitian yang menunjukkan bahwa jaringan dapat dilatih untuk menghasilkan pola yang efisien [12-14]. Salah satu strategi yang diusulkan adalah untuk secara eksplisit membatasi laju pembakaran dalam fungsi biaya dan untuk melatih jaringan dengan propagasi balik kesalahan global, yang secara biologis tidak masuk akal (Gambar 1B). Namun demikian, belum ditunjukkan apakah pola yang efisien dapat dipelajari dengan cara yang masuk akal secara biologis, yang dapat menantang untuk diselidiki secara in vivo karena seseorang tidak dapat menentukan "tujuan" untuk membatasi emisi paku selama tugas perilaku tradisional, yang merupakan kasus. dalam jaringan syaraf tiruan.
Untuk mengatasi tantangan ini, kami memanfaatkan antarmuka otak-mesin (BMI) [15]. Selain keberhasilannya yang gemilang dalam memulihkan motorik [16-20], ucapan [21], dan fungsi psikologis [22], BMI baru-baru ini memberi energi pada ilmu saraf dengan menawarkan kausalitas pada hasil perilaku untuk pola saraf tertentu. Peneliti dapat menentukan pemetaan antara aktivitas saraf dan hasil perilaku, yang disebut "decoder" [23-26]. Dengan demikian, BMI memberi kami kemampuan untuk mendefinisikan "tujuan", yaitu membatasi emisi paku untuk menyelidiki apakah pola temporal yang efisien dapat dihasilkan dan dipelajari secara reproduktif (Gambar 1C). Dalam studi [9], penulis menunjukkan bahwa ketika decoder adalah fungsi dari waktu lonjakan relatif daripada deskriptor yang biasa digunakan seperti tingkat penembakan, untuk mengontrol hasil, pola yang ditimbulkan dengan presisi temporal dapat dikaitkan secara kausal dengan perilaku. Selain itu, pemetaan yang diketahui dalam "neuroprostetik temporal" semacam itu memungkinkan penulis untuk melacak bagaimana pola temporal dipelajari dan disempurnakan di sirkuit otak. Namun, penelitian tersebut hanya mencakup kasus pola temporal yang tidak efisien, meninggalkan sebagian besar pola temporal yang efisien belum dijelajahi. Oleh karena itu, fokus dari pekerjaan ini adalah mempelajari generasi dan pembelajaran pola temporal yang efisien di korteks motorik dengan memperkenalkan BMI baru yang membatasi waktu lonjakan yang tepat serta biaya metabolisme yang dibawa oleh jumlah lonjakan.
2. Bahan-bahan dan metode-metode
Semua prosedur bedah dan eksperimental sesuai dengan Panduan Perawatan dan Penggunaan Hewan Laboratorium (Kementerian Kesehatan China) dan telah disetujui oleh Komite Perawatan Hewan Universitas Zhejiang di China. Prosedur bedah dijelaskan secara rinci di [27]. Secara singkat, 96-rangkaian mikroelektroda saluran (Blackrock Neurotech) ditanamkan secara kronis di korteks motorik primer dua monyet rhesus jantan (Macaca mulatta) (Monkey B11, Monkey C05). Monyet membutuhkan waktu sekitar satu minggu untuk pulih dari operasi, setelah itu sinyal saraf direkam melalui sistem akuisisi data multisaluran Cerebus (Blackrock Neurotech) dengan kecepatan sampel 30 kHz. Aktivitas lonjakan dideteksi dengan thresholding (pengali kuadrat rata-rata akar, B11: ×5.5; C05: ×7). Pada sesi pembelajaran pertama dan setelah penyortiran manual online, kami menugaskan dua unit terisolasi dengan signal-to-ratio (SNR) tertinggi dan stabilitas bentuk gelombang berdasarkan rekaman dari minggu sebelumnya untuk masing-masing menjadi unit pemicu dan unit target. Template penyortiran online untuk kedua unit ini tidak berubah selama pembelajaran dan divalidasi oleh penyortir offline (Plexon, Dallas, TX, USA, Inc.) untuk memastikan neuron yang sama direkam dan digunakan untuk pelatihan di seluruh sesi. Ditunjukkan pada Gambar S1A bahwa variasi bentuk gelombang di seluruh sesi lebih kecil dari amplitudo rata-rata. Karena dua unit terpilih ini secara langsung bertanggung jawab atas hasilnya, mereka diberi label sebagai "neuron langsung". Unit lainnya adalah "neuron tidak langsung", yang terdeteksi dan disortir secara offline untuk analisis selanjutnya dalam artikel ini. Jumlah "neuron tidak langsung" yang tercatat relatif stabil sepanjang hari (B11: 54,3 ± 8,5; C05: 54,3 ± 9,1). Selain itu, hubungan spasial dari neuron langsung dalam larik ditunjukkan pada Gambar S1B.
2.1. Tugas Perilaku
Dalam tugas ini, lonjakan unit pemicu dan unit target dalam jendela 300 md dialirkan secara real-time ke skrip yang ditulis khusus di MATLAB (Mathworks Inc., Natick, MA, USA) untuk menghitung variabel pengkondisian: skor kebetulan yang dinormalisasi (NCS). Jendela digeser setiap 150 md dengan tumpang tindih 150 md. NCS kemudian diumpankan kembali ke subjek secara aural dan visual, setiap 150 ms juga. Subjek akan menerima hadiah air jika mereka berhasil memodulasi pola saraf untuk mendorong NCS ke ambang batas dalam 15 detik. Jika tidak, uji coba akan dihentikan, dan subjek harus menunggu 4 detik lagi untuk memulai uji coba berikutnya (Gambar 2B). Ambang batas NCS untuk mendapatkan hadiah ditetapkan menjadi persentil ke-99 dari distribusi NCS, yang diperkirakan dari data garis dasar pada sesi pertama (diambil sampelnya setiap 150 md selama 5 menit). Ambang batas NCS (B11: 0,36; C05: 0,32) telah diperbaiki di seluruh sesi. Pada periode awal, subjek duduk dengan tangan dibatasi. Air diberikan secara acak tetapi jarang, hanya untuk menenangkan subjek dan memungkinkan mereka mempertahankan keadaan diam tanpa gerakan besar. Tidak ada rangsangan pendengaran atau visual yang diberikan pada periode ini.
Variabel pengkondisian NCS didefinisikan sebagai berikut:
di mana M dan N adalah jumlah total lonjakan dari unit pemicu dan unit target dalam jendela waktu 300 ms, S(∆ji) adalah fungsi skor yang bergantung pada jeda ∆ji antara waktu emisi lonjakan ke-i dari unit pemicu dan lonjakan ke-j dari unit target. Lebih khusus lagi, fungsi skor mengambil bentuk eksponensial, mirip dengan bagaimana kemanjuran sinaptik berubah di bawah plastisitas yang bergantung pada lonjakan waktu (STDP) [28], di mana pemicu yang memimpin target menghasilkan skor positif dan sebaliknya:
Dalam percobaan kami, τ ditetapkan pada 17 ms agar sesuai dengan jendela kritis yang diamati dalam percobaan STDP [29]. Oleh karena itu, pembilang NCS berfungsi untuk menghargai tidak hanya ketepatan waktu tetapi juga urutan waktu yang benar. Demi kenyamanan, kami menyebut pembilang ini sebagai skor kebetulan (CS). Normalisasi dengan rata-rata geometrik jumlah lonjakan dari dua unit memainkan peran menghukum lonjakan yang berlebihan karena membatasi pengeluaran energi. Secara teoritis, nilai NCS harus berada dalam kisaran −1 hingga 1.
Kami memetakan NCS ke frekuensi kursor audio, mulai dari 1 kHz hingga 24 kHz dengan peningkatan seperempat oktaf. Selain itu, kami mengadopsi lingkungan umpan balik visual yang serupa dalam tugas center-out, karena semua subjek telah dilatih dalam tugas center-out. NCS di [−0.5, 0.5] dipetakan ke posisi vertikal lingkaran biru di layar (Gambar 2A), dengan lingkaran kuning menunjukkan ambang hadiah. Umpan balik visual diimplementasikan menggunakan Psychtoolbox dan dihubungkan dengan program utama yang ditulis khusus.
Subjek dibatasi air dan harus mempelajari tugas pada hari-hari berturut-turut, dengan dua sesi diadakan setiap hari, satu di pagi hari dan satu lagi di sore hari.
Kami juga melakukan eksperimen kontrol untuk menyelidiki bagaimana normalisasi laju pembakaran berdampak pada pembentukan pola saraf temporal yang efisien. Dalam percobaan kontrol ini, C05 harus memodulasi skor kebetulan daripada skor kebetulan yang dinormalisasi menggunakan sepasang unit langsung yang berbeda (disebut tugas "modulasi-CS"). Konfigurasi tugas lainnya identik dengan yang ada di tugas "modulasi NCS".
Gambar 2. Paradigma tugas berbasis BMI. (A) Tugas dijalankan dengan cara loop tertutup. Aktivitas saraf dari M1 subjek secara otomatis dibaca dan diekstraksi. Semua lead dan lag antara lonjakan dari unit pemicu dan target digunakan untuk menghitung NCS, yang selanjutnya diumpankan kembali dengan memetakannya ke frekuensi kursor audio dan posisi vertikal kursor visual. Dalam uji coba yang dicontohkan ini, ambang batas NCS untuk hadiah adalah 0.32. Ambang batas untuk hadiah air ditetapkan berdasarkan estimasi distribusi NCS pada sesi pertama. (B) Struktur tugas dari satu sesi tipikal. Sesi dimulai dengan 5-min blok baseline, setelah itu distribusi NCS dapat diperkirakan. Satu percobaan dapat berlangsung paling lama 15 detik, diikuti dengan interval antar percobaan (ITI) selama 4 detik. NCS dihitung menggunakan aktivitas saraf dalam jendela geser 300 ms.
2.2. Analisis Data Metrik perilaku.
Kami menerapkan dua metrik, tingkat keberhasilan dan durasi percobaan, untuk mengevaluasi kinerja perilaku dalam tugas tersebut. Tingkat keberhasilan didefinisikan sebagai rasio antara jumlah percobaan yang berhasil dan jumlah total percobaan dalam satu sesi. Jumlah uji coba yang relatif sama dilakukan di seluruh sesi untuk setiap subjek (B11: 105,3 ± 12,8; C05: 215 ± 20,0) dan digunakan untuk analisis selanjutnya. Jumlah uji coba ditetapkan pada jumlah yang dapat dilakukan subjek dengan keterlibatan penuh. Metrik lain yang menilai kinerja perilaku, durasi uji coba, didefinisikan sebagai waktu dari awal uji coba hingga pengiriman hadiah.
Metrik lain yang menilai kinerja perilaku, durasi uji coba, didefinisikan sebagai waktu dari awal uji coba hingga pengiriman hadiah
CCH. Kami menggunakan jitter-corrected cross-correlation histogram (CCH) untuk menggambarkan hubungan temporal antara unit pemicu dan target pada skala waktu terbatas [30]. Kami mengacak-acak waktu emisi untuk setiap lonjakan dari unit target untuk merender CCH pengganti (sCCH). Prosedur resampling ini dijalankan 1000 kali [31]. Variasi jitter tergantung pada resolusi temporal CCH. Misalnya, jika bin CCH adalah 15 ms, seperti yang ditunjukkan pada Gambar 5A, maka standar deviasi jittering acak ("jitter window") juga harus ditetapkan pada 15 ms. Kami mengurangkan sCCH ini dari CCH mentah untuk mendapatkan CCH yang dikoreksi. Dengan cara ini, kami menjamin bahwa pola atau variasi penembakan terstruktur dalam rentang waktu yang sebanding dengan resolusi temporal CCH akan dihapus. Pada dasarnya, setiap batang bin tertentu di CCH mewakili kemungkinan lonjakan neuron pemicu untuk menghasilkan kebetulan dengan neuron target. Oleh karena itu, kita dapat menggunakan bar yang berdiri di samping zero-lag untuk mengukur ketepatan temporal dari dua neuron. Karena penelitian kami berfokus pada presisi temporal dengan urutan temporal, kami hanya menggunakan kebetulan pada [0, 15] ms atau [0, 5] ms untuk analisis. Selain itu, probabilitas ekor sCCH digunakan untuk membuat pita penerimaan. Bilah kesalahan di CCH yang dikoreksi jitter menguraikan standar deviasi sCCH
Perbandingan jumlah lonjakan untuk pola temporal yang tepat. Untuk menguji hipotesis bahwa pola temporal tepat yang dihasilkan hemat energi, kami membandingkan jumlah lonjakan pola temporal tepat yang dikumpulkan dari blok tugas dengan yang berasal dari blok dasar sambil mengontrol skor kebetulan. Lebih khusus lagi, kami mengambil sampel pola saraf sepanjang 300 ms dari blok baseline (dengan memindahkan jendela dalam langkah 150 ms), yang skor kebetulan berada di kisaran skor kebetulan dari pola saraf yang bermanfaat.
Selain itu, kami juga membandingkan jumlah lonjakan dari pola temporal yang tepat yang dikumpulkan dari tugas ini dengan pola saraf yang bermanfaat dari tugas modulasi CS. Demikian pula, kami mengambil sampel pola saraf dari dua set ini sehingga rentang skor kebetulan akan cocok. Indeks modulasi.
Indeks modulasi digunakan untuk mengkarakterisasi kedalaman modulasi neuron tunggal di blok tugas yang didasarkan pada penembakannya di blok baseline FRbaseline:
Lebih khusus lagi, FRtask diperkirakan menggunakan uji coba yang berhasil di blok tugas. Sesi stabil. Untuk mengetahui sesi stabil (atau dataran tinggi pembelajaran) dalam total n sesi rekaman, kami secara iteratif menghitung rasio rk antara varian tingkat keberhasilan dari k sesi terakhir σ 2 ({Si |i=n − k ditambah 1, ..., n}) dan dari yang pertama σ 2 ({Si |i=1, ..., n − k}) sebagai berikut:
dimana Si menunjukkan tingkat keberhasilan pada sesi i. k diiterasi dari 2 ke n − 1, dan iterasi diakhiri ketika rk lebih besar dari rk−1. Sesi k − 1 terakhir akan dikembalikan sebagai sesi stabil. Dengan kata lain, menambahkan sesi k ke sesi k − 1 terakhir akan memperbesar variasi perilaku dan dengan demikian tidak perlu dianggap sebagai sesi yang stabil. Berdasarkan kriteria ini, sesi 6 hingga sesi 10 B11 dan sesi 9 hingga sesi 10 C05 dianggap stabil.
Melebihi NCS. NCS yang melampaui ambang batas hadiah didefinisikan sebagai NCS overshooting. Untuk mengatasi perbedaan nilai ambang pada dua subjek, kami mengurangi perbedaan ambang batas ({{0}}.36 − 0.32=0.04) dari semua NCS overshooting B11 secara berurutan untuk merender NCS overshooting yang dikoreksi.
2.3. Tingkat Keberhasilan Analisis Statistik.
Pemasangan linier pertama kali dilakukan untuk menguji tren kenaikan di setiap subjek. Tes Mann-Whitney satu sisi selanjutnya digunakan untuk membandingkan tingkat keberhasilan pada fase awal versus fase akhir. Setiap kelompok menggabungkan empat sesi dari dua mata pelajaran (n=8) [32].
Durasi uji coba. Untuk membandingkan durasi uji coba pada fase awal dengan fase akhir, kami mengumpulkan sampel durasi uji coba dari berbagai sesi dan subjek. Mengingat struktur bersarang ini, ANOVA dua arah (F(DFn, DFd)) digunakan untuk mengungkap variasi faktor "fase" dan interaksi antara berbagai faktor. Tes untuk kebetulan yang signifikan. Standar deviasi CCH pengganti setelah resampling digunakan untuk menghitung batas atas interval kepercayaan untuk setiap nampan di bawah alfa yang berbeda (misalnya, 0.05 untuk kepercayaan 95 persen). Oleh karena itu, kami menguji kebetulan yang signifikan dari setiap nampan dengan membandingkan CCH yang dikoreksi jitter dengan batas atas tersebut. Penembakan yang efisien dengan normalisasi laju pembakaran.
Mengingat jumlah lonjakan dalam pola saraf sepanjang 300 ms adalah variabel diskrit, uji Mack–Skillings (ANOVA dua arah non-parametrik) digunakan untuk menguji terhadap hipotesis nol bahwa jumlah lonjakan tepat pola temporal dari blok tugas dan dari blok dasar (atau tugas modulasi CS) tidak memiliki perbedaan. Dengan skor kebetulan sebagai faktor kedua, itu dikelompokkan menjadi lima blok dari 0,9 hingga 2,9 (tiga blok dari 1,8 hingga 3,2 jika dibandingkan dengan tugas modulasi CS). Indeks modulasi jaringan. Indeks modulasi dari semua neuron tidak langsung yang dimodulasi secara signifikan di seluruh sesi (empat sesi untuk setiap kondisi) dikumpulkan bersama, dan uji-t satu sampel digunakan untuk memeriksa apakah indeks modulasi rata-rata berbeda secara statistik dari nol. Distribusi konvergen dari overshooting NCS yang dikoreksi. Tes Kolmogorov-Smirnov dua sampel digunakan untuk menguji terhadap hipotesis nol bahwa NCS overshooting yang dikoreksi dari dua subjek berasal dari distribusi yang sama.
Tanya lebih lanjut:
Email:wallence.suen@wecistanche.com
Whatsapp/Tel: plus 86 15292862950
TOKO:
https://www.xjcistanche.com/cistanche-shop
