機器學習新突破:谷歌研究人員利用AI自動重構大腦神經元

2020-12-05 雷鋒網

近日，谷歌與馬克斯·普朗克神經生物學研究所合作，在《Nature Methods》上發表了一篇重磅論文，使用一種循環神經網絡算法對神經元連接組進行自動重構，不僅可以對連接組進行高解析度的可視化成像，而且準確度提高了一個數量級，為連接組學的研究帶來了新的突破。

在神經系統中繪製神經網絡的結構——這是一個被稱為「連接組學」的研究領域——無疑是計算密集型的。

人類的大腦中有大約860億個通過100萬億個突觸連接起來的神經元，而對一個立方毫米的大腦組織進行成像，就可以生成超過1000TB的數據（10億張照片）。

據《連接組：造就獨一無二的你》這本書中介紹，連接組學主要是通過分析神經元之間的連接和組織方式來達到分析大腦的運行機制這一終極目的的一門學科。連接主義認為大腦的工作機制就蘊含在神經元的連接中。如果兩個神經元之間，有一個突觸交會點，那麼這兩個神經元就是「有連接的」。通過突觸，一個神經元可以把信息傳遞給另一個神經元。


雷鋒網註：神經元的結構

AI助力神經元連接組可視化成像，準確度提高一個數量級

為了看到連接組，科學家們經歷了各種探索。比較常用的是給大腦組織染色，然後用電子顯微鏡來觀察大腦切片，以此獲得神經元連接的大量局部具體信息，再聚合在一起構成大腦的整個神經網絡信息，但是在具體操作過程中要克服許多困難，耗費大量的人力物力。第二種是通過MRI（核磁共振）的方法對活體大腦進行觀測，但是解析度較低，只有毫米級。

如果我們能將大腦中突觸連接的信息和連接組信息進行高解析度的可視化成像，那麼一個人大腦是否受損就可以一目了然，對一些高難度的腦部疾病進行有針對性的治療將成為可能。

7月16日，在發表於《Nature Methods》雜誌上的一篇名為《利用泛洪網絡對神經元進行高精度的自動重構》（High-Precision Automated Reconstruction of Neurons with Flood-Filling Networks）的論文中，谷歌和馬克斯·普朗克神經生物學研究所(Max Planck Institute of Neurobiology)的科學家們展示了一種循環神經網絡算法（常用於手寫和語音識別的機器學習算法），專為連接組學分析量身定做。

谷歌的研究人員並不是第一個將機器學習應用於連接組學的人。今年3月，英特爾與麻省理工學院的計算機科學和人工智慧實驗室合作，開發了「下一代」大腦圖像處理系統。但谷歌聲稱，他們的模型比以往包括英特爾在內的企業發布的深度學習技術在準確性上提高了一個數量級。

雷鋒網註：谷歌的算法在鳴禽大腦中追蹤一個3D的神經突觸

利用泛洪網絡（Flood-Filling Networks）算法進行三維圖像分割

在大型電子顯微鏡數據中跟蹤神經網絡是圖像分割的常用方法。傳統的算法將這一過程劃分為至少兩個步驟:使用邊緣檢測器或機器學習分類器找到神經網絡之間的邊界，然後使用 watershed 或 graph cut 等算法將未被邊界分割的圖像像素進行分組。

2015年，研究人員開始嘗試一種基於遞歸神經網絡的替代方法，將這兩步結合起來。該算法在一個特定的像素點上定點，然後使用循環卷積神經網絡迭代「填充」一個區域，該神經網絡可以預測哪些像素與初始像素相同。

雷鋒網註：在2D中分割對象的Flood-Filling網絡

設定預期運行長度測量準確性

自2015年以來，研究人員一直致力於將這種新方法應用於大型連接組數據集，並嚴格量化其準確性。

為了檢驗準確性，研究小組設定了「預期運行長度」(ERL)這一指標，在大腦的3D圖像中隨機抽取神經元並進行跟蹤，然後測量算法在出錯前跟蹤神經元的距離。

雷鋒網註：藍線表示使用ERL測量的結果；紅線表示「合併率」，即兩個獨立的神經元被誤認為一個目標進行跟蹤的頻率

研究小組報告說，在對100萬立方微米的斑胸草雀大腦進行腦部掃描，並用 ERL 進行測量後，該模型的表現比之前的算法「要好得多」。

雷鋒網(公眾號：雷鋒網)註：利用泛洪網絡算法自動重構斑胸草雀大腦神經元

「這些自動化產生的結果結合少量的額外人力投入就可以消除剩餘誤差,馬克斯普朗克研究所的研究人員現在可以研究鳴禽連接組，從而獲得新的深入了解，如斑胸草雀如何唱歌，如何學習唱歌」，這篇論文的作者Viren Jain 和 Michal Januszewski在一篇博客文章中寫道。

 除了論文之外，團隊還在Github上發布了模型的TensorFlow代碼，以及他們用來進行數據集可視化和改進重構結果的WebGL 3D軟體。他們計劃在未來改進這個系統，以使突觸解析過程完全自動化，並「為馬克斯·普朗克研究所和其他機構的項目提供幫助」。

via:venturebeat；googleblog；nature

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。

相關焦點

  • 谷歌AI自動重建果蠅大腦,離繪製人腦更進一步
    不怕，谷歌新AI技術能夠重建果蠅完整大腦。智東西8月6日消息，據外媒報導，谷歌剛剛公布了一項最新研究結果「用洪水填充網絡（Flood-Filling Networks）和局部調整方法（Local Realignment）自動重建連續切片成像的果蠅大腦」。
  • 果蠅大腦被切成納米級切片?谷歌AI自動完整重建!
    近日，谷歌與霍華德•休斯醫學研究所(HHMI)和劍橋大學合作，發布了一項最新深入研究果蠅大腦的研究成果——自動重建整個果蠅的大腦。果蠅大腦的自動重建這篇論文題為「利用Flood-Filling網絡和局部調整自動重建連續切片成像的果蠅大腦」：
  • 使用AI和TPU人類首次重建果蠅大腦神經元,論文登上《細胞》雜誌
    機器之心報導機器之心編輯部通過 AI 算法和 TPU 晶片，人類首次成功重建了果蠅大腦神經元的 3D 模型。這項成果意味著人類對於腦科學的研究更進了一步。新研究的論文已經發表在《細胞》雜誌上。果蠅是生物學上公認的一種研究動物，果蠅的大腦更是近來研究的主要目標對象。截至目前，已有八項諾貝爾獎授予了果蠅相關研究，這些研究推動了分子生物學、遺傳學和神經科學的發展。果蠅研究的重大優勢在於它們的大小：與老鼠大腦（1 億個神經元）、章魚大腦（5 億個神經元）或人類大腦（1000 億個神經元）相比，果蠅大腦相對較小（只有 10 萬個神經元）。
  • 谷歌AutoML新進展,進化算法加持,僅用數學運算自動找出ML算法
    與此同時，這一領域研究中遇到的困難又催生了 AutoML，AutoML 旨在實現 ML 算法的自動化設計。目前，AutoML 主要通過結合複雜的手動設計組件來開發解決方案。神經架構搜索就是一個典型的示例，在這個子域中，研究人員基於複雜層（如卷積、批歸一化和 dropout）來自動構建神經網絡。
  • Jeff Dean撰文:谷歌AI 2018研究成果匯總
    編者按：本文來自微信公眾號「新智元」（ID：AI_era），作者 Jeff Dean。36氪經授權轉載。 谷歌AI團隊負責人Jeff Dean今天發布博客文章，總結了谷歌的研究團隊在2018年的主要研究成果。
  • 人工智慧利用神經網絡來控制機器
    人工智慧利用神經網絡來控制機器,或者是人工智慧根據預定的規則來控制機器.人工智慧可以用於搜索,診斷,預測,監控和機器人等諸多方面.人工智慧為人類提供了創造性解決方案,這個解決方案不僅能創造出改變,同時還能控制它們.世界對於人工智慧抱有非常樂觀的態度,因為它們讓人類工作變得更加高效.然而,智能的出現時間還很短暫,遠沒有到大眾普遍接受的階段.那麼,人工智慧未來的發展方向到底是什麼
  • 業界| 分子性質預測新突破:谷歌新型神經網絡助力化學研究
    為了幫助化學家更快地預測出分子的性質並協助進一步的開發（比如發現新藥物或新材料），計算機科學家也在嘗試構建能夠基於分子的基本數據預測分子性質的算法和模型。近日，谷歌等機構的研究者發表了兩篇論文介紹了他們在這方面的研究進展——達到了當前最佳的預測表現。在本文中，機器之心編譯介紹了其成果介紹文章和兩篇論文的摘要，研究詳情請參閱對應論文。
  • 谷歌AI總指揮Jeff Dean特寫
    Jeff Dean 說他希望谷歌可以在醫療方面有更深的突破，同時他也指出，隨著人工智慧的普及，公司也將面臨道德問題的考驗。Jeff Dean不止是一位大牛，他還是一個傳奇。2011年，Jeff Dean加入了谷歌的X 秘密實驗室（secretive X Lab），並且對深度神經網絡進行了深入調研，這使得整個矽谷的人工智慧空前繁榮。他最開始利用深度神經網絡去識別Youtube上的貓，後來又運用在語音服務上，更是效果驚人，從而一發不可收拾。
  • 最強大腦皮層神經網絡重建 揭哺乳動物最大神經線路圖
    此前，人類只知大腦神經元的「樣子」，現在，哺乳動物神經元如何連接——首次得到揭秘，並實現了更大量級的大腦皮層神經網絡的重建。並且AI的方法在其中發揮重要作用，研究者還說，這種突破還可能進一步為AI發展提供指導：「揭開生物神經網絡連接秘密，或許可以進一步探明大腦高效計算原理。
  • 重建腦科學與AI之間的橋梁,人工神經網絡比機器學習更優嗎?
    ，當時的研究人員也一直試圖模仿大腦的功能，構建神經科學與人工智慧之間的橋梁。1949 年，加拿大神經心理學家 Donald Hebb 在《The Organization of Behavior》一書中首次提出的赫布理論，解釋了在學習過程中大腦神經元所發生的變化，這一理論為後期機器學習的研究提供了理論支撐。
  • 谷歌大腦提出AutoML-Zero,只會數學運算就能找到AI算法|開源
    接著谷歌又推出了AlphaGo Zero，只讓AI知道圍棋規則，從零開始學下棋，結果再次登上棋藝頂峰。AI既然能從零學習圍棋，是否可以從零開始摸索機器學習算法？當然可以，谷歌大腦團隊最新的研究成果已經做到了。谷歌將這種技術稱之為AutoML-Zero，意為「從零開始的自動機器學習」，已經在GitHub開源，並在Arxiv上提交了論文。
  • 圖神經網絡讓預估到達準確率提升50%,谷歌地圖實現新突破
    所以，預估到達時間（ETA）準確率成為非常實際的研究課題。近日，DeepMind 與谷歌地圖展開合作，利用圖神經網絡等 ML 技術，極大了提升了柏林、東京、雪梨等大城市的實時 ETA 準確率。很多人使用谷歌地圖（Google Maps）獲取精確的交通預測和預估到達時間（Estimated Time of Arrival，ETA）。
  • 谷歌發布史上最強1/3果蠅大腦地圖,精準定位25000個神經元連接!
    新智元報導  來源：googleblog等編輯：張佳【新智元導讀】此前，谷歌與霍華德 ?　　果蠅大腦的自動重建　　去年8月，谷歌宣布了對整個果蠅大腦的第一個納米解析度自動重建，該重建專注於細胞的個體形狀。（詳見新智元報導：震撼！
  • 揭秘谷歌內部的萬人機器學習項目忍者計劃!
    近期研究結果表明，神經網絡甚至會超越人腦。Google決心在內部擴大精英培訓範圍，以期待讓機器學習成為一種常態。對霍爾蓋特這樣的工程師來講，可以向高手中的高手討教，忍者計劃是他們飛躍到技術前沿的機會。她說：「這些人會開發神奇的模型，並且擁有博士學位。」言語間透露著一種難以掩飾的敬畏之情。谷歌員工人數眾多（6萬員工中約有半數是工程師），而這只是個小項目。
  • ...創建大腦神經元的基因表達「藍圖」 有望解釋大腦細胞多樣性的...
    2020年11月7日 訊 /生物谷BIOON/ --近日，一項刊登在國際雜誌Nature上的研究報告中，來自紐約大學等機構的科學家們通過研究利用基因測序和機器學習技術對果蠅大腦中超過25萬個神經元進行分類，繪製出了大腦神經元中基因表達的發育藍圖，相關研究結果表明，神經元細胞在發育過程中能夠表現出最豐富的分子多樣性，同時研究人員還發現了此前未知類型的神經元細胞
  • Jeff Dean兩年AMA全盤點:26個關於谷歌大腦和機器學習未來的問題...
    原因是我們每年都有很多充滿激情的年輕研究者來訪，不管是培訓生還是實習生，所以我們也經常研究一些機器學習領域總體比較感興趣的方向。最後，我們也有一些研究是和谷歌其它的產品研發團隊一起完成的，這些研究中基本都涉及到困難的機器學習問題。我們和翻譯、機器人、自動駕駛汽車團隊都有研究正在進行中，以前也和語音團隊、搜索排名團隊等等做過類似合作的合作。
  • 谷歌大腦最新研究:AutoML的方式自動學習Dropout模式
    魚羊 發自 凹非寺量子位 報導 | 公眾號 QbitAI深度神經網絡往往存在過擬合的問題，需要Dropout、權重衰減這樣的正則化方法的加持。而最近的研究表明，如果對Dropout「剪掉」的神經元的結構進行利用，就能實現比隨機替換更好的效果。
  • 谷歌推出TFQ,一個可訓練量子模型的機器學習框架
    該框架可構建量子數據集、混合量子模型和經典機器學習模型原型、支持量子電路模擬器，以及訓練判別和生成量子模型。隨著近些年量子計算技術的發展，量子機器學習模型的研發可能會在醫學、材料、傳感和通信領域取得突破，甚至產生深遠影響。不過迄今為止，業界缺乏發現量子機器學習模型的研究工具。該模型可以處理量子數據並在可用的量子計算機上執行。
  • 【全自動機器學習】ML 工程師屠龍利器,一鍵接收訓練好的模型
    本文就按時間為順序，以成果為線索，分別對 auto-weka、auto-sklearn 這兩大自動機器學習工具，以及谷歌大腦和 MIT 在今年 ICLR 上發表的工作進行介紹。其中，詳細介紹 auto-weka、auto-sklearn 和谷歌大腦的工作，簡略介紹 MIT 的工作。
  • 谷歌發布史上最高解析度大腦連接圖,可覆蓋果蠅大腦的三分之一
    來自谷歌和霍華德·休斯醫學研究所（HHMI）的 Janelia 研究園區（Janelia Research Campus）FlyEM 團隊的研究人員，在近日發布了有史以來最高解析度的動物大腦連接圖——半腦連接組（hemibrain connectome），這是重建的首個突觸級連接組