‘Ученые МИТ раскрывают новые понимания связей между мозгом и слухом с помощью передовых моделей нейронных сетей’

Исследователи МИТ раскрывают новые струи связи между мозгом и слухом с применением передовых моделей нейронных сетей

В революционном исследовании исследователи Массачусетского технологического института (MIT) погрузились в мир глубоких нейронных сетей с целью раскрыть тайны человеческой слуховой системы. Это исследование не является только академическим преследованием, но обещает продвигать такие технологии, как слуховые аппараты, кохлеарные импланты и интерфейсы мозг-машин. Исследователи провели самое большое исследование глубоких нейронных сетей, обученных для слуховых задач, раскрывающее увлекательные параллели между внутренними представлениями, генерируемыми этими моделями, и нейронными паттернами, наблюдаемыми в человеческом мозге во время похожих слуховых впечатлений.

Чтобы понять значимость этого исследования, необходимо сначала понять проблему, которую оно пытается решить. Основным вызовом является расшифровка сложной структуры и функциональности слуховой коры человека, особенно во время разнообразных слуховых задач. Это понимание критически важно для разработки технологий, которые могут значительно повлиять на жизнь людей с проблемами слуха или другими слуховыми вызовами.

Основа этого исследования основана на предыдущих работах, где нейронные сети обучались выполнять конкретные слуховые задачи, такие как распознавание слов по аудиосигналам. В исследовании, проведенном в 2018 году, исследователи MIT показали, что внутренние представления, создаваемые этими моделями, имели сходства с нейронными паттернами, наблюдаемыми в функциональных магнитно-резонансных изображениях (fMRI) у людей, слушающих одни и те же звуки. С тех пор такие модели получили широкое применение, побудив исследовательскую группу MIT более всесторонне оценить их.

• Исследователи Стэнфордского университета представляют единый фреймворк искусственного интеллекта для объединения и взаимного учета атрибуций в больших языковых моделях (LLM).
• EPFL и исследователи Apple делают открытым исходный код 4M фреймворк искусственного интеллекта для обучения многомодальных моделей основы с использованием десятков модалей и задач.
• Исследователи Стэнфордского университета используют глубокое обучение с помощью GLOW и IVES для преобразования молекулярного докинга и прогнозирования позы связывания лиганда

В исследовании был проведен анализ девяти публично доступных моделей глубоких нейронных сетей, дополненный представлением 14 дополнительных моделей, созданных исследователями MIT на основе двух различных архитектур. Эти модели обучались различным слуховым задачам, от распознавания слов до определения говорящих, окружающих звуков и музыкальных жанров. Две из этих моделей были разработаны для выполнения нескольких задач одновременно.

То, что отличает это исследование – это его детальное рассмотрение того, насколько хорошо эти модели приближают нейронные представления, наблюдаемые в человеческом мозге. Полученные результаты указывают на то, что внутренние представления, генерируемые моделями, тесно соответствуют паттернам, наблюдаемым в слуховой коре человека, особенно когда моделям подвергаются слуховые входы, включающие фоновый шум. Это открытие имеет важные последствия, поскольку оно указывает на то, что обучение моделей с добавлением шума более точно отражает условия слуха в реальном мире, где фоновой шум является неотъемлемой частью.

Погружение в тонкости предлагаемого метода раскрывает увлекательное путешествие. Исследователи подчеркивают важность обучения моделей в шуме, утверждая, что модели, подвергнутые разнообразным задачам и слуховому входу с фоновым шумом, создают внутренние представления, которые напоминают активационные паттерны, наблюдаемые в слуховой коре человека. Это соответствует вызовам, с которыми мы сталкиваемся в реальных ситуациях слушания, где люди часто сталкиваются с слуховыми стимулами в условиях переменного фонового шума.

Исследование также подтверждает представление о иерархической организации в человеческой слуховой коре. В сущности, стадии обработки моделей отражают разные вычислительные функции, с более ранними стадиями, близкими похожим на паттерны, наблюдаемые в первичной слуховой коре. В процессе обработки с последующими стадиями представления все больше начинают напоминать паттерны, наблюдаемые в областях мозга за пределами первичной коры.

Более того, исследование подчеркивает, что модели, обученные на разных задачах, обладают избирательной способностью объяснять определенные свойства настройки в мозге. Например, модели, обученные на задачах, связанных со словами, более тесно соответствуют областям мозга, специфичным для речи. Такая задача-специфическая настройка предоставляет ценные практические данные для настройки моделей для воспроизведения различных аспектов слуховой обработки, предлагая исключительное понимание того, как мозг реагирует на различные слуховые стимулы.

В заключение, эта обширная исследовательская работа MIT по глубоким нейронным сетям, обученным для слуховых задач, является значительным шагом к раскрытию секретов обработки слуха человека. Подсвечивая значимость обучения моделей в условиях шума и наблюдения задачно-специфической настройки, исследование открывает новые возможности для разработки более эффективных моделей. Эти модели имеют потенциал точно предсказывать мозговые ответы и поведение, открывая новую эпоху прогресса в области разработки слуховых аппаратов, кохлеарных имплантов и интерфейсов мозг-машин. Пионерское исследование MIT обогащает наше понимание слуховой обработки и намечает путь к трансформационным приложениям в слуховых исследованиях и технологиях.