Синтетические нейроны, созданные ИИ, ускоряют картирование мозга

Исследователи Google разработали ИИ-технологии, использующие синтетические нейроны для повышения точности картирования мозга, что может значительно ускорить процесс реконструкции нейронных сетей.

Искусственный интеллект начинает играть ключевую роль в нейронауках, открывая новые горизонты в изучении работы мозга. Работа исследователей Google о синтетических нейронах обещает ускорить и улучшить картирование сложных нейронных структур, что особенно актуально в свете сложности создания карт мозга млекопитающих и человека.

В статье "MoGen: Генерация детальной нейронной морфологии через сопоставление облаков точек" команда представила модель, использующую синтетические нейронные формы для улучшения ИИ-моделей реконструкции. С помощью методов машинного обучения удалось снизить ошибки в реконструкциях на 4,4%. Хотя это может показаться незначительным, на масштабе мозга это имеет важное значение.

Картирование мозга требует огромного объема данных и времени. Исследователи анализируют мозг мухи, состоящий из 166 000 нейронов, а также активно работают над реконструкцией фрагментов мозга зебровой пересмешки, личинки рыбы — зебры и малой секции человеческого мозга. Недавно они начали проект картирования небольшой части мозга мыши, что станет важным шагом вперёд.

Процесс картирования мозга начинается с создания трехмерных изображений нейронов из двухмерных срезов мозговой ткани. Однако обработка данных требует большого участия человека. Исследователи подчёркивают, что правильно работающие ИИ-модели могут сократить время на исправление ошибок и сделать процесс более эффективным.

В ходе экспериментов с моделью MoGen учёные исследовали, как увеличение объёма данных, включая синтетические образцы, может повысить эффективность. Результаты показали, что использование синтетических нейронов значительно улучшает точность кардинальным образом, открывая новые возможности для масштабных исследований нейробиологии.

Существующие методы в нейронауках, такие как MoGen и PATHFINDER, могут радикально изменить подход к картированию и пониманию мозга в обозримом будущем. Это шаг к созданию углубленных и подробных моделей нейронной активности, что будет иметь большое значение для различных областей науки.