Российские ученые из НИУ ВШЭ в Нижнем Новгороде разработали метод воссоздания динамики нейронов мозга с использованием нейросети, что позволяет делать это на основе минимального объема данных, например, одной записи электрической активности нейрона.
В процессе работы нейросеть обучилась восстанавливать полную картину динамики нейрона и предсказывать его поведение при изменении условий внешней среды. Такие достижения могут значительно упростить исследование сложных биологических процессов, когда нет возможности для проведения полного набора измерений.
Результаты исследования опубликованы в журнале «Chaos, Solitons & Fractals». Нейроны, являясь основными клетками мозга, обрабатывают информацию и передают сигналы друг другу с помощью электрических импульсов, которые активируют соседние нейроны.
Эти импульсы возникают благодаря движению ионов через мембрану нейрона, где специальные каналы позволяют ионам проходить и создавать электрические сигналы. Чтобы исследовать нейронные процессы, часто используются математические модели, основанные на подходе «Ходжкина-Хаксли». Однако такие модели требуют сложных расчетов и большого количества параметров.
Обычно для предсказания поведения нейронов измеряются множество характеристик, таких как напряжение на мембране и ионные токи. Разработка новой нейросети может значительно упростить этот процесс, делая его доступнее для исследователей.
Исследования, проведенные В.А. Котельниковым и его командой в Российской академии наук, продемонстрировали, что для восстановления недостающих данных о нейронной активности достаточно учитывать лишь изменения электрического потенциала мембраны нейронов.
Ученые предложили метод, состоящий из двух этапов. На первом этапе анализировались временные изменения потенциала нейронов, данные передавались в нейросеть — вариационный автокодировщик. Эта нейросеть выделяла ключевые закономерности из данных, отсекая ненужную информацию и обеспечивая выходные характеристики, описывающие состояние нейрона.
На втором этапе использовалась другая нейросеть, известная как нейросетевое отображение, которая исходила из полученных характеристик для предсказания дальнейшего поведения нейрона. Данный подход имитирует работу модели «Ходжкина — Хаксли», но вместо сложных математических уравнений опирается на данные.
Исходный временной ряд R сжимается при помощи кодировщика (Encoder), создавая динамические характеристики μ. Затем декодировщик (Decoder) пытается максимально точно восстановить оригинальный временной ряд R’. Это напоминает процесс прохождения информации через узкое горлышко бутылки, где сохраняется только самая важная информация.
Автокодировщик выполняет ключевую задачу — выделяет и выделяет наиболее значимые данные о нейроне, что в конечном счете упрощает анализ нейронной активности.
С развитием математических и компьютерных методов происходит пересмотр старых подходов, что способствует улучшению моделей и может привести к новым открытиям.
Традиционно используемые модели основываются на полиномиальных уравнениях небольшого порядка, однако они обладают ограниченной нелинейностью и не способны точно описывать сложные зависимости.
Новый метод, применяющий нейросети, позволяет решать эту проблему.
Нелинейность в нейросетях задается сигмоидами, которые представляют собой гладкие функции от нуля до единицы и могут быть связаны с полиномами большого порядка, что обеспечивает большую гибкость и точность моделирования.
Кроме того, ученые продемонстрировали, что нейросети могут эффективно работать с неполными или зашумленными данными, что особенно актуально в таких областях, как биология и медицина, где получение полного набора параметров часто затруднено.
Используя лишь один ряд данных, можно обучить модель, встраивая в нее управляющий параметр, который функционирует как «переключатель» для наблюдения различных вариантов поведения системы.
В результате модель не просто повторяет известные режимы, на которых она обучалась, но также способна находить новые признаки и формировать новые режимы поведения.
Этот подход открывает новые горизонты для анализа и прогнозирования сложных систем.
Исследования в области нейросетей продемонстрировали их способность переходить от серии частых импульсов к одиночным всплескам при изменении параметров. Уникальность заключается в том, что нейросеть была способна замечать такие переключения, не опираясь на известные примеры из обучающего набора данных. Это свидетельствует о том, что она не просто запоминает информацию, а действительно распознает скрытые закономерности.
По словам ведущего научного сотрудника факультета информатики НИУ ВШЭ, нейросеть способна выявлять новые связи в данных и предсказывать поведение системы в условиях, где заранее невозможно задать все сценарии. В настоящее время нейросеть анализирует сгенерированные компьютером данные, но в будущем планируется применять её на реальных экспериментальных данных, что откроет новые горизонты для изучения сложных динамических процессов.
В свою очередь, в сфере программного обеспечения произошли значительные изменения. Облачный сервис «Мой офис» обновил название и стиль, а также представил суверенный аналог Miro. Однако на фоне этих изменений, заметен отказ одного из крупнейших производителей ПК от операционной системы Windows. Лицензия истекает, и продление вряд ли будет возможно, при этом переход на Linux тоже не планируется.
В России власти разрабатывают новые правила работы с биометрическими данными граждан, включающие такие позиции, как «векторная модель». В то же время, виртуальные помощники становятся все более независимыми; один из них даже отказался поддерживать программиста и посоветовал ему изучить теорию.
Кроме того, в мобильном интернете произошла значительная революция: впервые в браузере для Android стали доступны расширения, аналогичные тем, что используются на ПК, что стало возможным благодаря компании Microsoft. В сфере ИТ-безопасности компании также предлагают решения для повышения уровня защиты, а с недавних пор доступны и новые системы электронного документооборота и онлайн-бухгалтерия, что облегчит работу многим организациям и индивидуальным предпринимателям.
