資源描述：
《谷歌研發(fā)AI系統(tǒng)，自動(dòng)映射大腦神經(jīng)元.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、谷歌研發(fā)AI系統(tǒng)，自動(dòng)映射大腦神經(jīng)元 AI能夠映射大腦神經(jīng)元。人類大腦包含大約860億個(gè)神經(jīng)元，并且一個(gè)立方毫米的神經(jīng)元可以產(chǎn)生超過1000TB的數(shù)據(jù)。由于其龐大的規(guī)模，繪制神經(jīng)系統(tǒng)內(nèi)部結(jié)構(gòu)的過程是計(jì)算密集和繁瑣的。為了加速這一過程，谷歌和德國馬克斯普朗克神經(jīng)生物學(xué)研究所的研究人員開發(fā)了一種基于深度學(xué)習(xí)的系統(tǒng)，可以自動(dòng)映射大腦的神經(jīng)元。這是AI解決21世紀(jì)重大工程挑戰(zhàn)的又一成功例證。 谷歌AI負(fù)責(zé)人JeffDean演講時(shí)總愛用一張PPT，那就是用機(jī)器學(xué)習(xí)解決21世紀(jì)重大工程問題，其中就包括人腦逆向工程，谷歌和馬克思普朗克研究所等機(jī)構(gòu)合作，從理解大腦神經(jīng)網(wǎng)絡(luò)的圖像入手
2、，試圖重構(gòu)生物神經(jīng)網(wǎng)絡(luò)?！ ≡谥暗膱?bào)告中，JeffDean提到他們提出了一種模擬生成神經(jīng)網(wǎng)絡(luò)的算法“Flood-FillingNetworks”，可以使用原始數(shù)據(jù)，利用此前的預(yù)測，自動(dòng)跟蹤神經(jīng)傳導(dǎo)?！ 〗裉?，描述相關(guān)研究的論文正式在NatureMethods發(fā)表，他們的方法不但能自動(dòng)分析大腦連接組數(shù)據(jù)，還將準(zhǔn)確度提高了一個(gè)數(shù)量級，突破了當(dāng)前連接組學(xué)的一個(gè)重要瓶頸！ 谷歌研發(fā)AI系統(tǒng)，自動(dòng)映射大腦神經(jīng)元 AI能夠映射大腦神經(jīng)元。人類大腦包含大約860億個(gè)神經(jīng)元，并且一個(gè)立方毫米的神經(jīng)元可以產(chǎn)生超過1000TB的數(shù)據(jù)。由于其龐大的規(guī)模，繪制神經(jīng)系統(tǒng)內(nèi)部結(jié)構(gòu)的過程是計(jì)算
3、密集和繁瑣的。為了加速這一過程，谷歌和德國馬克斯普朗克神經(jīng)生物學(xué)研究所的研究人員開發(fā)了一種基于深度學(xué)習(xí)的系統(tǒng)，可以自動(dòng)映射大腦的神經(jīng)元。這是AI解決21世紀(jì)重大工程挑戰(zhàn)的又一成功例證。 谷歌AI負(fù)責(zé)人JeffDean演講時(shí)總愛用一張PPT，那就是用機(jī)器學(xué)習(xí)解決21世紀(jì)重大工程問題，其中就包括人腦逆向工程，谷歌和馬克思普朗克研究所等機(jī)構(gòu)合作，從理解大腦神經(jīng)網(wǎng)絡(luò)的圖像入手，試圖重構(gòu)生物神經(jīng)網(wǎng)絡(luò)?！ ≡谥暗膱?bào)告中，JeffDean提到他們提出了一種模擬生成神經(jīng)網(wǎng)絡(luò)的算法“Flood-FillingNetworks”，可以使用原始數(shù)據(jù)，利用此前的預(yù)測，自動(dòng)跟蹤神經(jīng)傳導(dǎo)?！ ?/p>
4、今天，描述相關(guān)研究的論文正式在NatureMethods發(fā)表，他們的方法不但能自動(dòng)分析大腦連接組數(shù)據(jù)，還將準(zhǔn)確度提高了一個(gè)數(shù)量級，突破了當(dāng)前連接組學(xué)的一個(gè)重要瓶頸！ 研究人員表示，他們的算法比以前的自動(dòng)化方法準(zhǔn)確度提高了10倍。這是AI在推動(dòng)基礎(chǔ)科學(xué)發(fā)展的又一項(xiàng)成功例證，大大推動(dòng)了我們對人腦數(shù)據(jù)的解析，也有助于構(gòu)建更好的人工智能?！ ≌鏙effDean所說，機(jī)器學(xué)習(xí)能夠用于幫助乃至解決人類重大工程挑戰(zhàn)?！ ∽詣?dòng)分析大腦連接數(shù)據(jù)，將精度提高一個(gè)數(shù)量級！ 連接組學(xué)（Connectomics）旨在全面地映射神經(jīng)系統(tǒng)中發(fā)現(xiàn)的神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)，以便更好地理解大腦如何工作
5、。這個(gè)過程需要以納米分辨率（通常使用電子顯微鏡）對3D腦組織進(jìn)行成像，然后分析所得到的圖像數(shù)據(jù)，追蹤大腦的神經(jīng)節(jié)并識別各個(gè)突觸連接。由于成像的高分辨率，即使只有一立方毫米的腦組織，也可以產(chǎn)生超過1000TB的數(shù)據(jù)！再加上這些圖像中的結(jié)構(gòu)可能非常微妙和復(fù)雜，構(gòu)建大腦連接圖的主要瓶頸實(shí)際上并不在于獲取數(shù)據(jù)，而是如何自動(dòng)分析這些數(shù)據(jù)?！ 〗裉?，谷歌與馬克斯普朗克神經(jīng)生物學(xué)研究所的同事合作，在NatureMethods發(fā)表了《使用Flood-Filling網(wǎng)絡(luò)高效自動(dòng)重建神經(jīng)元》（High-PrecisionAutomatedReconstructionofNeuronswit
6、hFlood-FillingNetworks），展示了一種新型的遞歸神經(jīng)網(wǎng)絡(luò)如何提高自動(dòng)解析連接組數(shù)據(jù)的準(zhǔn)確性。不僅如此，與先前的深度學(xué)習(xí)技術(shù)相比，提高了一個(gè)數(shù)量級?！ ∈褂肍lood-Filling網(wǎng)絡(luò)進(jìn)行三維圖像分割 在大規(guī)模電子顯微鏡數(shù)據(jù)中追蹤神經(jīng)節(jié)是一個(gè)圖像分割問題。傳統(tǒng)算法將這個(gè)過程分為至少兩個(gè)步驟：首先，使用邊緣檢測器或機(jī)器學(xué)習(xí)分類器找出神經(jīng)節(jié)之間的邊界，然后使用watershed或graphcut等算法，將未被邊界分隔的圖像像素分組組合在一起?！ ?015年，谷歌與馬克斯普朗克神經(jīng)生物學(xué)研究所的團(tuán)隊(duì)開始嘗試基于遞歸神經(jīng)網(wǎng)絡(luò)的替代方法，將上述兩個(gè)步驟統(tǒng)
7、一起來。新的算法從特定的像素位置開始生長，然后使用一個(gè)循環(huán)卷積神經(jīng)網(wǎng)絡(luò)不斷“填充”一個(gè)區(qū)域，網(wǎng)絡(luò)會(huì)預(yù)測哪些像素是與初始的那個(gè)像素屬于同一個(gè)物體。在2D中分割物體的Flood-Filing網(wǎng)絡(luò)。黃點(diǎn)是當(dāng)前焦點(diǎn)區(qū)域的中心；隨著算法不斷迭代，檢查整個(gè)圖像，分割區(qū)域不斷擴(kuò)展（藍(lán)色）?！ ⊥ㄟ^預(yù)期運(yùn)行長度來測量準(zhǔn)確性，優(yōu)于以往深度學(xué)習(xí)方法 自2015年以來，谷歌與馬普研究所的研究人員一直致力于將這種新方法應(yīng)用于大規(guī)模的連接組數(shù)據(jù)集，并嚴(yán)格量化其準(zhǔn)確性?！ ∷麄兲岢隽嗣麨椤邦A(yù)期運(yùn)行長度”（ERL）的概念：在大腦的3D圖像中給定一個(gè)隨機(jī)的神經(jīng)元，在跟
