读paper——Neural population control via deep image synthesis

基于深度图像合成的神经种群控制

导语

光照到眼睛的模式是通过一系列“深”的神经活动模式来处理和再现的，这个“深”系列是由六个相互联系的皮层脑区组成，称为腹侧视觉流。视觉神经科学研究表明，这些神经活动模式是我们识别世界上物体及其关系的基础。最近的进展使神经科学家能够建立更精确的模型来描述这种复杂的视觉处理过程。目前，最好的模型是特定的深层人工神经网络（ANN）模型，其中每个大脑区域都有相应的模型层，每个大脑神经元都有相应的模型神经元。这些模型在预测大脑神经元的反应方面相当出色，但它们对理解灵长类动物视觉处理的贡献仍然存在争议。理由：这些人工神经网络模型至少有两个潜在的局限性。首先，因为它们的目标是高保真度的计算机化大脑拷贝，人类很难详细理解这些模型所进行的全部计算。从这个意义上说，每一个模型都像一个“黑匣子”，目前还不清楚达成了什么形式的理解。第二，这些模型的泛化能力受到质疑，因为它们只在与用来“教授”模型的视觉刺激相似的视觉刺激上进行测试。我们的目标是通过非人类灵长类动物的神经生理学实验来评估这两种潜在的局限性。我们试图回答两个问题：（i）尽管这些ANN模型对于简单的“理解”是不透明的，但是嵌入其中的知识是否已经对潜在的应用（即神经活动控制）有用？（ii）这些模型是否能准确预测大脑对新图像的反应？

结果

我们进行了几个闭环神经生理学实验：在将模型神经元与每个记录的脑神经部位相匹配后，我们使用该模型根据模型关于腹侧视觉流如何工作的隐含知识合成全新的“控制器”图像。然后，我们将这些图像呈现给每个受试者，以测试模型控制受试者神经的能力。在一个测试中，我们要求模型尝试控制强弱的ACH b r a i n n，以激活它超过其典型的观察到的最大激活水平。我们发现，该模型生成的合成刺激成功地驱动了68%的神经部位超出了它们自然观察到的激活水平（几率水平为1%）。在一个更严格的测试中，该模型显示它能够选择性地控制整个神经亚群，激活一个特定的神经元，同时使其他记录的神经元失活（成功率为76%；几率为1%）。