我們的大腦神經系統是人體最複雜的系統，由大量神經組成迴路，像網絡那樣複雜。
近期谷歌開發出了新式AI算法，可繪製大腦神經系統圖像。
7月17日消息，據VentureBeat報道，在神經系統中繪製生物網絡結構圖（這個領域被稱為連接組學(connectomics)）需要大量的計算。人類大腦中有大約860億個神經元，它們通過100萬億個突觸連接起來，對一立方毫米的組織進行成像就可以生成超過1000TB字節的數據。
幸運的是，人工智能（AI）可以提供幫助。
在《Nature Methods》雜誌上發表的論文中，谷歌和馬克斯-普朗克神經生物研究所的科學家們展示了一種遞歸神經網絡，它是為連接組學分析量身定做的系統。遞歸神經網絡是一種機器學習算法，經常用於手寫和語音識別。
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月份，英特爾與麻省理工學院的計算機科學和人工智能實驗室合作，開發了“下一代”大腦圖像處理流水線。但是谷歌聲稱，他們的模型準確性比以前的深度學習技術有了“數量級”的提高。
谷歌研究人員使用了一種邊緣檢測算法，該算法可以識別神經突(神經元本體的分支)的邊界，以及一種複發性卷積神經網絡(複發性神經網絡的一個子類)，該神經網絡將神經元掃描中的像素聚集起來並突出顯示出來。
為了跟蹤準確性，研究團隊開發了“預期運行長度”(ERL)，這是指標在大腦的3D圖像中給隨機神經元一個隨機點，然後測量算法在出錯前跟蹤神經元的距離。研究小組報告說，在對100萬立方微米的斑胸草雀進行腦部掃描後，該模型的表現比之前的算法“要好得多”。
谷歌研究員、論文主要作者維倫·賈恩（Viren Jain）和米查爾·詹納斯澤維斯基（Michal Januszewski）表示：“這些自動化的結果結合少量的額外人力可以幫助解決剩餘的錯誤，而馬克斯普朗克研究所的研究人員現在可以研究鳴禽大腦的連接組，以獲得斑胸草雀如何鳴唱的新洞見，並測試它們如何學習鳴唱的理論。”
除了論文之外，這個研究團隊還在Github上發佈了模型的TensorFlow代碼，以及他們用來可視化數據集和改進重構結果的WebGL 3D軟件。他們計劃未來繼續改進這個系統，目標是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做出貢獻”。
希望谷歌團隊在未來能給我們帶來更多的驚喜，讓我們盡情期待吧！
閱讀更多 互聯學堂 的文章
