Японски учени създадоха изкуствен интелект, който може да надникне с невероятна точност в това, което вижда ума ни.
Специалистите използват невронни мрежи, които могат да пресъздадат образите, които са в главата на доброволци на базата на техни сканирани мозъчни сигнали.
Доклад, описващ постижението, е публикуван онлайн в сайта за препринти BioRxiv.
Изкуствен интелект (AI) може да се обучи да декодира електрическите сигнали в мозъка, за да разгадае какво точно вижда някой, а дори и в мислите си.
Техниката теоретично би могла да се използва за създаване на изображения на мисли и да помогне на пациенти в постоянно вегетативно състояние да общуват с любимите си хора.
Постижението е на учени от Университета Киото, под ръководството на проф. Юкиасу Камитани (Yukiyasu Kamitani).
Специалистите използват невронни мрежи за създаване на изображения на базата на информация, придобита от сканирания с функционален ядрено магнитен резонанс (fMRI), който които измерва мозъчната активност, анализирайки промените в притока на кръв.
Използвайки тези данни, изкуственият интелект може да възстанови изображения на сови, самолети, витражи и червени пощенски кутии, след като трима доброволци наблюдават съответните снимки.
Реконструкция на визуални образи от човешка мозъчна активност, измерена чрез fMRI.
За реконструкция на визуалните изображения първо са декодирани (преведени) измерените мозъчни активности от дълбока невронна мрежа (DNN), след това с тези декодирани характеристики е захранен алгоритъм за реконструкция. Алгоритъмът за реконструкция започва от дадено първоначално изображение и итеративно оптимизира стойностите на пикселите така, че характеристиките от DNN на текущото изображение стават подобни на тези, декодирани от мозъчната активност. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Изкуственият интелект също така възпроизвежда снимки на предмети, включително квадрати, кръстове, златни рибки, лебеди, леопарди и топки за боулинг, които участниците само си представят.
Реконструкция на визуални образи от човешка мозъчна активност, измерена чрез fMRI. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Реконструкция на визуални образи от човешка мозъчна активност, измерена чрез fMRI. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Въпреки че точността е различна при различните хора, постижението отваря "уникален прозорец към нашия вътрешен свят", според екипа от Киото.
"Открихме, че генерираните образи приличаха на стимулираните изображения (както физически, снимки и изкуствени форми) и субективното съдържание по време на мислена визуализация.
"Въпреки че нашият модел бе обучен предимно с естествени образи, методът ни успешно реконструира изкуствени (абстрактни) форми, което показва, че нашият модел наистина "реконструира" или "обобщава" (генерализира) изображения от мозъчната дейност, а не просто да реагира на образци".
Пробивът разчита на невронни мрежи, които обучавайки се, се опитват да симулират начина, по който работи мозъкът.
Схема на работата. За реконструкция на визуалните изображения първо са декодирани (преведени) измерените мозъчни активности от дълбока невронна мрежа (DNN), след това с тези декодирани характеристики е захранен алгоритъм за реконструкция. Алгоритъмът за реконструкция започва от дадено първоначално изображение и итеративно оптимизира стойностите на пикселите така, че характеристиките от DNN на текущото изображение стават подобни на тези, декодирани от мозъчната активност. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Екипът на Киото е обучил дълбока невронна мрежа (deep neural network - DNN), използвайки 50 реалистични изображения и съответните резултати от магнитен резонанс на доброволци. Тя декодира образите, видяни от доброволците. След това с тези декодирани данни е захранен алгоритъм за реконструкция, наречен дълбока генеративна мрежа (deep generative network). Алгоритъмът за реконструкция започва от дадено първоначално изображение и стъпка по стъпка, итеративно оптимизира стойностите на пикселите така, че характеристиките от DNN на текущото изображение да станат подобни на тези, декодирани от мозъчната активност и по-разпознаваеми.
Селекция от обекти, реконструирани от AI. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Доброволците бяха помолени да си представят фигури като квадрати, кръстове, както и обикновени обекти от златни рибки и лебеди до топки за боулинг. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Системата имаше по-малко трудности при пресъздаване на букви, които доброволците са си представяли на ум. Shen, G, Horikawa, T, Majima, K, Kamitani, Y, Deep image reconstruction from Human Brain Activity. bioRxiv (2017); CCN (2017)
Тези мрежи могат да бъдат обучени да разпознават модели в данни - включително и говор, текст на данни или визуални образи - и са в основата на голяма част от работата на AI през последните години.
Те използват информация от света на цифровите технологии за обучение с практически приложения като преводите на Google, софтуерът за разпознаване на лица на Facebook и др.
Коментари
Моля, регистрирайте се от TУК!
Ако вече имате регистрация, натиснете ТУК!
Няма коментари към тази новина !
Последни коментари