A Drosophila connectome prior enables adaptable embodied control
Deze studie toont aan dat het gebruik van het volwassen *Drosophila*-breinconnectoom als een vaste structurele prior voor belichaamde controle superieure adaptiviteit en robuustheid mogelijk maakt over diverse locomotie-taken, lichaamsmorfologieën en omgevingscomplexiteiten vergeleken met standaard kunstmatige neurale netwerken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Intelligentie is niet alleen iets dat zich in een brein afspeelt; het is een gesprek tussen een lichaam en de wereld. Om een dier te laten bewegen, moet het zenuwstelsel voortdurend wat het voelt en ziet vertalen naar acties die het in balans houden en vooruit laten bewegen. Dit proces, bekend als belichaamde controle (embodied control), is ongelooflijk moeilijk omdat de wereld nooit statisch is. Een wezen moet zijn stappen aanpassen wanneer de grond ongelijk wordt, scherp draaien wanneer een roofdier verschijnt, of versnellen wanneer het voedsel waarneemt. Hoewel ingenieurs robots hebben gebouwd die over ruig terrein kunnen lopen, vertrouwen deze vaak op complexe computerprogramma's die specifiek zijn getraind voor één specifieke lichaamsvorm of één type omgeving. Als je de poten van de robot verandert of de textuur van de vloer, faalt het programma vaak. Dit roept een fundamentele vraag op voor wetenschappers: geeft de specifieke manier waarop een biologisch zenuwstelsel is bedraad het een speciale gave om aan te pas te komen die kunstmatige systemen missen? Om dit te ontdekken, richtten onderzoekers zich op de fruitvlieg, een wezen waarvan het zenuwstelsel met uiterste precisie in kaart is gebracht, tot aan elke individuele verbinding tussen de zenuwcellen.
De onderzoekers namen de volledige kaart van de verbindingen uit het brein van een volwassen fruitvlieg, een zogenaamd connectoom, en gebruikten deze als de vaste "hersenen" voor een computersimulatie van een digitale vlieg. Deze digitale vlieg had een lichaam met zes poten, sensoren om de grond te voelen, en spieren om te bewegen. Het team heeft de hersenkaart niet opnieuw bedraad; in plaats daarvan hielden ze de verbindingen precies zoals ze in de natuur zijn en leerden ze de vlieg alleen hoe hij zijn sensoren moest lezen en hoe hij signalen naar zijn spieren moest sturen. Vervolgens onderwierpen ze deze digitale vlieg aan een reeks tests, waarbij ze de vlieg vroegen om over vlak terrein te lopen, over blokken van toenemende hoogte te klimmen, in verschillende richtingen te draaien en van snelheid te veranderen. Ze vergeleken deze vlieg, die de natuurlijke hersenkaart gebruikte, met een digitale vlieg die werd aangestuurd door een standaard kunstmatige intelligentieprogramma dat is ontwor Engend om vanaf nul te leren.
Wanneer de vlieën op vlak terrein liepen met een constante snelheid, presteerden beiden even goed. Dit toonde aan dat de natuurlijke hersenkaart niet inherent superieur was voor eenvoudige, onveranderlijke taken. Echter, op het moment dat de situatie veranderde, werd het verschil duidelijk. Wanneer de digitale vlieg over blokken moest klimmen die bijna een halve millimeter hoog waren, slaagde de vlieg met de natuurlijke hersenkaart veel vaker in het oversteken dan de kunstmatige variant. De vlieg bewoog ook vloeiender, met minder schokkerige bewegingen, en was beter in het volgen van veranderingen in snelheid, zoals wanneer er gevraagd werd om te versnellen of af te remmen volgens een specifiek patroon. Wanneer de vlieg moest draaien, stelde de natuurlijke hersenkaart de vlieg in staat om zijn lichaam nauwkeuriger en met minder verspilde beweging te heroriënteren. Het kunstmatige programma had moeite met deze aanpassingen en schoot vaak door het doel heen of verloor zijn evenwicht.
Om te begrijpen waarom de natuurlijke kaart beter werkte, keken de onderzoekers in de simulatie om te zien hoe informatie stroomde. Ze ontdekten dat wanneer de vlieg een moeilijk obstakel tegenkwam, de natuurlijke hersenkaart spontaan specifieke paden activeerde die de sensoren in de poten verbonden met de motorische commando's. Deze paden, die neuronen bevatten die signalen vanuit het lichaam omhoog dragen en andere die commando's vanuit het brein naar beneden dragen, leken op een gecoördineerde manier samen te werken op een manier die het kunstmatige programma niet kon repliceren. Het natuurlijke systeem leek over een ingebouwde flexibiliteit te beschikken, waardoor het de juiste delen van het netwerk kon rekruteren voor de taak die voorhanden was, zonder dat het daar expliciet opdracht voor hoefde te krijgen. Bovendien ontdekten de onderzoekers dat de natuurlijke hersenkaart robuuster was tegen kleine fouten of veranderingen in de instellingen, wat suggereert dat de structuur een stabiele basis vormt voor het aanleren van nieuw gedrag.
Het meest opmerkelijke deel van de studie kwam wanneer de onderzoekers testten of dit voordeel standhield wanneer het lichaam zelf veranderde. Ze namen exact dezelfde vaste hersenkaart van de vlieg en verbonden deze met de lichamen van zeer verschillende gesimuleerde dieren: een vierpotige mier, een tweepotige robot, een driepotige driepoot en een zespotige hexapod. In elk geval hielp de hersenkaart die geëvolueerd was voor een vlieg de nieuwe lichamen beter te bewegen dan de kunstmatige programma's deden. Het voordeel was vooral duidelijk wanneer de dieren complexe labyrinten moesten navigeren. Naarmate de labyrinten moeilijker werden, met meer bochten en doodlopende wegen, was de met de vliegbrein-controller gestuurde entiteit steeds beter in staat om de weg te vinden vergeleken met de kunstmatige controllers. Ondanks dat de vliegbrein was ontworpen voor een zespotig insect, hielp het een tweepotige robot om rechtop te staan en een vierpotige mier om sneller en directer te rennen. De studie suggereert dat de specifieke bedrading van het brein van de vlieg een algemeen principe van aanpasbaarheid bevat dat kan worden overgedragen op verschillende lichaamsvormen.
Dit werk beweert niet dat we simpelweg het brein van een vlieg kunnen kopiëren en in elke robot kunnen plaatsen. De simulaties toonden aan dat de natuurlijke bedrading een sterk startpunt biedt, of een "prior", die het leren van nieuwe bewegingen gemakkelijker en betrouwbaarder maakt. De kunstmatige programma's moesten nog steeds leren hoe ze de sensoren moesten lezen en de spieren van hun nieuwe lichamen moesten aansturen, maar ze leerden veel sneller en presteerden beter wanneer ze begonnen met de hersenkaart van de vlieg dan wanneer ze vanaf nul begonnen. De resultaten suggereren dat evolutie zenuwstelsels niet alleen heeft gevormd om specifieke taken uit te voeren, maar om een flexibele structuur te bieden die de onverwachte veranderingen van de echte wereld kan afhandelen. Door het brein van de fruitvlieg als gids te gebruiken, hebben de onderzoekers aangetoond dat de manier waarop neuronen verbonden zijn net zo belangrijk is als de neuronen zelf, wat een nieuw blauwdruk biedt voor het bouwen van machines die kunnen aanpassen aan een veranderende wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.