STSBench: A Large-Scale Dataset for Modeling Neuronal Activity in the Dorsal Stream of Primate Visual Cortex
Dieses Paper stellt STSBench vor, einen groß angelegten Datensatz bestehend aus Aufzeichnungen von über 2.000 Neuronen im sulcus temporalis superior des Primaten während des Betrachtens natürlicher Videos, der entwickelt wurde, um die Modellierung und das Benchmarking neuronaler Antworten des dorsalen Stroms voranzutreiben, welche zuvor durch einen Mangel an ausreichenden Daten behindert wurden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich Ihr Gehirn wie eine geschäftige Stadt mit zwei großen Autobahnen für die Verarbeitung dessen vor, was Sie sehen. Eine Autobahn, der „ventrale Strom“, ist wie ein Kurator einer High-End-Kunstgalerie; er ist besessen davon, zu identifizieren, was Dinge sind. Ist das eine Katze? Ein Kaffeebecher? Ein roter Apfel? Er kümmert sich um Formen, Farben und Details. Die andere Autobahn, der „dorsale Strom“, ist eher wie ein Verkehrsleiter oder ein Parkour-Experte; es ist ihm nicht so wichtig, wie das Objekt heißt, sondern vielmehr, wo es ist und wie es sich bewegt. Dies ist der Teil Ihres Gehirns, der es Ihnen ermöglicht, einen Ball zu fangen, ohne über das Markenlogo des Balls nachzudenken, oder einer schwingenden Tür auszuweichen, während Sie gehen.
Jahrelang konnten Wissenschaftler Computermodelle entwickeln, die wie der „Kurator einer Kunstgalerie“ fungieren. Indem sie diese Modelle mit massiven Mengen an Daten fütterten, konnten sie mit überraschender Genauigkeit vorhersagen, wie die Autobahn des Objekterkennungsprozesses im Gehirn funktioniert. Aber die „Verkehrsleiter“-Autobahn blieb ein Rätsel. Warum? Weil es unglaublich schwierig ist, einen guten Blick auf die Neuronen dort zu erhaschen. Es ist, als würde man versuchen, eine belebte Kreuzung zu studieren, indem man nur ein Auto nach dem anderen betrachtet, oder schlimmer noch, indem man nur ein winziges, unscharfes Foto der Straße betrachtet. Ohne einen massiven, klaren Datensatz waren wir auf bloßes Raten angewiesen, wie das Gehirn Bewegung und Raum berechnet.
Hier kommt eine neue Studie namens STSBENCH ins Spiel, die das Spiel verändern soll. Die Forscher beschlossen, unter Verwendung von Rhesusaffen eine riesige Bibliothek der Gehirnaktivität speziell für diesen „Verkehrsleiter“-Teil des Gehirns aufzubauen. Sie verwendeten ein hochmodernes Aufzeichnungswerkzeug (eine winzige Sonde mit Hunderten von Sensoren), um dem elektrischen Geplapper von über 2.000 Neuronen gleichzeitig zuzuhören, während die Affen tausende von einzigartigen, natürlichen Videos betrachteten. Dies ist eine fast 50-fache Steigerung der Daten im Vergleich zu allem, was wir bisher hatten.
Das Paper unternimmt zwei wesentliche Dinge mit diesem Schatz an Daten. Erstens testeten sie eine Reihe von Computermodellen, um zu sehen, welche am besten vorhersagen konnten, was diese Neuronen taten. Sie fanden heraus, dass die „Old-School“-Modelle, die auf einfachen, handgefertigten Regeln über Bewegung basierten, zwar okay, aber nicht besonders gut waren. Jedoch machte ein neuerer Typ von Modell – ein Deep-Learning-Netzwerk, das von Grund auf neu mit Videos trainiert wurde – einen viel besseren Job. Dies deutet darauf hin, dass das Bewegungszentrum des Gehirns sehr komplexe, tiefgreifende Berechnungen durchführt, die wir mit unseren einfacheren Theorien bisher noch nicht vollständig erfasst haben.
Zweitens versuchten sie das Gegenteil zu erreichen: Sie nahmen die elektrischen Signale des Gehirns und baten den Computer, das zu „rekonstruieren“, was der Affe sah. Die Ergebnisse waren faszinierend und genau das, was man von den zwei verschiedenen Autobahnen erwarten würde. Wenn sie Bilder aus dem „Objekt“-Teil des Gehirns rekonstruierten, zeichnete der Computer klare Bilder mit Farben und spezifischen Details. Aber wenn sie Bilder aus dem „Bewegungs“-Teil (dem STS-Bereich, den sie aufgezeichnet hatten) rekonstruierten, zeichnete der Computer klare, geisterhafte Umrisse. Er erfasste die Bewegung und die großen Formen (wie die Kante eines Tisches oder eines Regals), übersah aber die feinen Details (wie das Etikett auf einer Wasserflasche oder die Farbe einer Frucht) völlig. Dies bestätigt, dass der dorsale Strom tatsächlich auf das „Wo“ und „Wie es sich bewegt“ spezialisiert ist und das „Was“ der anderen Seite überlässt.
Indem die Autoren diesen massiven Datensatz und diese neuen Modelle der Öffentlichkeit zugänglich machen, übergeben sie der wissenschaftlichen Gemeinschaft ein neues Set an Werkzeugen. Sie behaupten nicht, das gesamte Rätsel der Vision gelöst zu haben, aber sie haben eine viel klarere Karte des Geländes bereitgestellt. Sie haben gezeigt, dass wir mit genügend Daten endlich beginnen können, die komplexe, nichtlineare Mathematik zu verstehen, die das Gehirn nutzt, um sich in unserer bewegten Welt zu bewegen, und sie haben bewiesen, dass die „Verkehrsleiter“-Neuronen sehr anders sind als die „Kunstkurator“-Neuronen, da jeder seine eigene spezialisierte Aufgabe erfüllt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.