图|AI被用于计算神经科学，以加速对人类大脑的科学理解（图片来源：Geralt ）

麻省理工学院使用卷积神经网络分割脑组织结构

在杂志“今日心理学”中，来自麻省理工学院电气工程和计算机科学（EECS）和计算机科学和人工智能系智能实验室（CSAIL）的研究人员在最近的计算机视觉与模式识别会议上发表了演讲，研究试图创建一个使用卷积神经网络技术的应用。卷积神经网络（CNN）是一类具有人工神经网络结构的深度学习算法，研究人员需要一个包含超过两万张卡片的数据库，其中每张卡片要包括许多图像。受到生物大脑视觉皮层的启发，研究人员用一小部分数据进行训练。使用200张卡片，每张卡片10张照片，经过培训后，卷积神经网络将学习如何操作卡片的各种位置和外观，如亮度，反射和照片角度，从而能够合成数据中的卡片的真实版本。

这种技术可用于磁共振成像，AI深度学习的模式识别功能可以帮助神经科学家对大脑图像进行复杂的分析。但是，培训机器学习算法可能是一项代价高昂，劳动密集型的挑战。针对这一问题，研究人员使用单一标记的分段脑磁共振成像，来扫描自动化神经科学图像分割结果，以及一百套未标记的患者扫描结果。与现有的自动和手动分割方法相比，研究小组在100个测试扫描上测试了30种脑结构的图像分割系统。结果表明，与现有技术的图像分割方法相比有了显着的改进，特别是对于较小的脑结构，例如海马体。

IBM将进化算法应用于脑科学

近日来自IBM对于进化算法的研究在Cell Reports和杂志“今日心理学”上发表，向人们展示了在深度学习技术方面的进步。进化算法通过神经网络层在生物大脑上松散地建模。这些往往是单用途点解决方案，需要对海量数据集进行广泛培训，然后针对特定环境进行定制。进化算法通过几乎不需要数据来解决问题。不同类别的进化算法包括遗传算法，进化策略，差分进化和分布算法的估计，他们的共同点是进化过程。进化算法的进化过程涉及产生搜索点群体，他们还有许许多多的别名，例如代理，染色体，候选解决方案或个体等等，这些搜索点通常都是随机产生的。这些搜索点群体通过多代进行“变异”操作和“选择”，变异操作的概念类似于生物突变和重组过程。

就如同它的名字一样，进化算法在每次迭代之后计算每个搜索点的“适应度”，留下那些“最强”的，也就是具有较高目标值的数据，去除“最弱”的数据。通过这种方式，搜索点群体在几代“数据”之间“进化”以产生问题的最佳解决方案。“最适合”的变化幸存下来。进化算法本质上是分布式的，因此可以很好地匹配基于云端的或大规模并行的多核处理系统。在针对一种名为亨廷顿病的神经科学研究中，研究人员使用IBM云端上托管的最先进的非支配排序差异进化算法（NSDE）。

负责该研究的来自IBM Master Inventor神经科学家表示，研究人员引入了错误函数的'软阈值'以及邻域惩罚，以防止由于针对确切特征值而导致的系统偏差。进化算法为AI深度学习提供了灵活的，自适应的替代方法，目前正在计算神经科学中用于加速对人类大脑的科学理解。

参考：https://www.psychologytoday.com/us/blog/the-future-brain/201906/how-magic-led-mit-innovation-in-ai-neuroscience

https://www.psychologytoday.com/us/blog/the-future-brain/201906/how-magic-led-mit-innovation-in-ai-neuroscience

[关于转载]：本文为“AMiner”官网文章。转载本文请联系原作者获取授权，转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“AMiner”官网。谢谢您的合作。