​斯坦福AI模型实现“读心术”，准确预测生物神经元活动位置

“读心术”真的能够实现吗？

近日，由DARPA和斯坦福的研究团队正在研究如何“读小鼠的心”。当然，其实没有“读心术”那么玄乎，确切地说，是通过神经网络读取小鼠大脑中的电信号活动，来预测小鼠的活动和位置。

读取小鼠的“想法”，预测小鼠的位置

大脑由相互连接的神经元组成：神经元可以响应输入处于激活状态，反过来激活其他神经元。这些系统的“简化版”就是第一个人工神经网络的灵感来源。斯坦福Schnitzer实验室的同事们制作了一个数据集，用于监控实验室的小鼠在“竞技场”中移动时的神经活动。

所谓“竞技场”其实是一个带有地标贴纸的小盒子。研究人员通过将一个微型显微镜连接到小鼠的头部，并记录荧光染料的轨迹，这种染料会在单个神经元在放电时发出绿光，从而实现记录神经活动的目的。这项技术可以同时跟踪数百个、甚至数千个神经元的活动。

我们主要关注小鼠大脑中海马体CA1区域的神经元，这是大脑中涉及学习、记忆和导航的部分。该区域中的一些神经元被称为“放置细胞”，因为它们响应于鼠标的位置而发射。例如，当鼠标位于机箱的左上角时，给定的单元格可能只会触发。鼠标的大脑通过解释这些细胞活动或不活动的组合信号来编码位置概念。

“可以使用人工神经网络将这些生物神经元的信号标记在小鼠所处位置的地图上吗？”也就是说，如果我们对生物神经网络进行逆向工程，是否可以通过读取小鼠的意念得知它的位置？

准确预测生物神经元活动的位置

为此我们训练了一个神经网络，根据最近的神经元放电模式预测小鼠的位置。我们使用实验观察结果的前80%作为训练数据，仅给出神经元的活动，来预测后20％观察结果的小鼠位置。我们尝试了许多模型体系结构，发现具有回归输出层的简单密集神经网络表现最好，平均预测误差仅为4 cm。小鼠身长约8厘米，而竞技场大小为45cm×60cm的矩形。此循环动画中显示了我们的预测（蓝点）和小鼠的标记位置（红点）。

模型预测给出的位置（蓝点）和小鼠的标记位置（红点）

不过，尽管回归输出表现良好，但没有表现出对其他预测的确定性的任何信息。为此我们设计了另一个深度神经网络模型，这次的模型包括卷积层。我们将“竞技场”划分为1厘米见方的网格，并训练分类任务，预测小鼠将走过“竞技场”中的哪些网格方块。模型为预测了小鼠会经过每个方块的概率，输出了一张预测强度的热图。

但是，由于小鼠的实际位置的标签是单个网格方块（以小鼠的中心点为准），我们需要开发一种新的损失函数来训练模型，告诉模型“几乎正确”的预测比“根本不贴边”的预测更好。之后，模型的表现与点预测模型基本相当，平均预测误差为5厘米。但是，预测信息中包含了有关替代预测和模型确定性的更多信息。视频中的蓝云表示竞技场中小鼠所在位置预测概率最高的区域。

蓝色云代表竞技场中小鼠所在的预测概率最高的区域。红点是小鼠的标记位置

预测未来行为：通过小鼠行为，破解人类行为的奥秘

我们将这种不确定性概念编入预测模型中，然后研究：“我们可以通过读取小鼠的思想，来预测其未来的位置吗？新模型不会通过查看最近的神经元放电模式，询问小鼠目前的位置，而是预测1秒，2秒或3秒后的位置。预测结果与基线相比仍然有很好的表现。

我们分析的数据可以表示出小鼠的简单行为：在盒子中移动。我们可以将数据划分为两种行为类别：“活跃”/移动，或固定/“静止”。我们能够以75％的平衡精度预测小鼠的当前行为属于哪一类，并且在2秒后仍然具有66％的准确度。这表明我们的海马神经元模型不仅能够编码有关现在的位置信息，还对未来进行某种程度的规划。

我们在Schnitzer实验室的合作者正在努力制作更复杂的行为数据集，以便我们应用这些方法。比如可以在小鼠通过迷宫时对其进行映射，预测左右转弯，并量化小鼠在学习走迷宫时的不确定性。或识别对小鼠展示哪些主题的图像会刺激到它。我们使用小鼠作为研究模型，目的是更多地了解我们自己，希望我们的人工神经网络有助于更好地理解生物的神经网络。