kopsavilkums: Izmantojot datus no spēles “Ebb and Flow”, pētnieki apmāca mašīnmācīšanās algoritmus, lai atdarinātu cilvēka spēju novirzīt uzmanību starp uzdevumiem. Rezultāti atklāj jaunu izpratni par kognitīvo kontroli un var paplašināt pašreizējo izpratni par traucējumiem, kuriem raksturīgs kognitīvās kontroles trūkums, piemēram, bipolāri traucējumi un šizofrēnija.
avots: Jūta Ostina
Zinātnieki izmanto superdatorus un spēles datus Plūdmaiņas Apmācīt dziļas mācīšanās modeļus, kas simulē cilvēka uzvedību “uzdevumu pārslēgšanā”, pārvēršot uzmanību no viena uzdevuma uz citu.
Šis pamatpētījums ir svarīgs, lai palīdzētu zinātniekiem izprast kognitīvo kontroli, kas ietver pamata garīgos procesus, kas ļauj koncentrēties uz konkrēto uzdevumu, bet arī elastīgi atkāpties no uzdevuma, ja rodas tāda vajadzība. Šīs spējas apliek ar nodokli Ebb un Flow spēle, ko pētīja pētnieki.
Pētījums var būt noderīgs arī, lai izprastu slimības, kurās pacientiem ir kognitīvās kontroles deficīts, piemēram, bipolāri traucējumi un šizofrēnija.
Spēles laikā spēlētājs izmanto tastatūras bulttaustiņus, lai norādītu virzienu, uz kuru norāda zaļās lapas, un virzienu, kurā virzās sarkanās lapas, jo zaļās lapas mijas ar sarkanajām. Viņa fokuss bieži pāriet no viena uzdevuma uz Nākamais.
“Mēs esam izstrādājuši jaunu veidu, kā modelēt šos datus, kas rada mazāk pieņēmumu par to, kā smadzenes veic noteiktu uzdevumu,” sacīja Pols Džefs, pēcdoktorants, kas strādā ar profesoru Raselu Poldraku no Stenfordas universitātes Psiholoģijas katedras.
gadā publicētā pētījuma līdzautori Džefs un Poldraks, kurā tika izstrādāti jauni, reālistiskāki uzdevumu maiņas modeļi. Cilvēka uzvedības būtība 2023. gada janvārī.
Pašreizējie kognitīvās apstrādes modeļi apvieno vienkāršus komponentus stingrā “no augšas uz leju” veidā.
“Viņi izdara daudz pieņēmumu par to, kā smadzenes veic uzdevumu. Vai arī viņiem ir citi ierobežojumi, piemēram, viņi īsti nevar iekļaut dalībnieku datus,” sacīja Džefs.
Jaffe un viņa kolēģi izstrādāja sistēmu cilvēka uzvedības modelēšanai uz kognitīviem uzdevumiem, ko sauc par DyVA uzdevumu. Tas izmanto dinamiskus neironu tīklus, kas izmanto uzdevumu stimulus kā ievadi un ģenerē uzdevuma atbildes kā izvadi, līdzīgi kā cilvēki to dara, veicot uzdevumu.
“DyVA sistēma ļāva mums ne tikai pielāgot lielo mums pieejamo Ebb un Flow datu apjomu, bet arī modelēt dalībnieku individuālās atšķirības,” sacīja Jaffe. Mēs varam pielāgot vienu modeli katras personas datiem un pēc tam apskatīt, kā modeļi atšķiras. Pēc tam mēs varam ieskatīties modeļa “smadzenēs” – neironu tīklā – un saprast, kā tas veic uzdevumus.”
Komanda pielāgoja mašīnmācīšanās algoritmus, ko sauc par mainīgajiem automātiskajiem kodētājiem, metodi, kas izstrādāta, lai apstrādātu secinājumus un mācīšanos, izmantojot izaicinošus varbūtības modeļus.
Pētnieku grupa ieguva piešķīrumus Teksasas uzlabotā skaitļošanas centra (TACC) superdatoram Maverick2 — sistēmai, kas paredzēta mašīnmācīšanās darba slodzei, ko nodrošina ar GPU darbināmi ietvari, kas var izmantot 24 NVidia GPU mezglus. GTX 1080 Ti. , ar četriem GPU katrā mezglā, kā arī trīs mezglus ar diviem NVidia P100 GPU.
“TACC bija nepieciešams, lai paveiktu šo darbu, jo ir pieejami GPU — aparatūra, kas būtībā ir optimizēta, lai ļoti ātri aprēķinātu daudzus matricas reizinājumus, un šo procesu bieži izmanto dziļās mācīšanās modeļos, piemēram, šajā pētījumā izmantotajā, ” sacīja Jaffe.
Rasels Poldraks piebilda, ka “GPU var ievērojami paātrināt mašīnmācīšanās modeļu sintezēšanas un testēšanas procesu. Maverick2 pielāgošana ļāva mums virzīt šo darbu uz priekšu daudz ātrāk, nekā tas būtu bez šī resursa.”
Pētnieki izmantoja Maverick2 superskaitļošanas resursus un esošās deidentificētās datu kopas no 140 Ebb un Flow dalībniekiem vecumā no 20 līdz 89 gadiem, lai izstrādātu savu modelēšanas sistēmu un, visbeidzot, uzdotu jautājumus, izmantojot modeļa analīzi par to, kā smadzenes veic uzdevumu.
Mēs apskatījām šos modeļus, lai mēģinātu saprast, kā tie veic uzdevumus. Viena lieta, ko mēs atklājām, ir tāda, ka divi uzdevumi plašākā uzdevumu pārslēgšanas uzdevumā ir attēloti dažādos modeļa latentās telpas reģionos, kas ir šajā konkrētajā uzdevumā iesaistīto mainīgo lielumu abstrakts attēlojums. Mēs atradām divus dažādus modeļa “smadzeņu” reģionus, kas veic katru uzdevumu,” sacīja Jaffe.
Šis atklājums varētu izskaidrot, kāpēc pastāv “pārslēgšanās izmaksas” — reakcijas palēnināšanās, kad cilvēki maina uzdevumus, jo darbībai ir nepieciešams laiks, lai pārietu no viena smadzeņu reģiona uz citu. Turklāt modelis var izskaidrot, kāpēc smadzenēm ir izdevīgi sadalīt šos uzdevumus, nevis vienkārši centralizēti kontrolēt.
Tas atbalsta ideju 2022. gada pētījumā, ko veica zinātnieki Mosliks un Koens.
“Mēs atklājām, ka, sadalot uzdevumus šajos divos dažādajos smadzeņu reģionos, tas faktiski padara modeli izturīgāku, jo troksnis ir grūtāk traucēt uzdevumu katrā no šiem smadzeņu reģioniem. Turot lietas atsevišķi, tas ļauj smadzenēm to darīt. visu darbu. uzdevumu ļoti labi, nesajaucot signālus no otra uzdevuma,” piebilda Džefs.
Turpmāk zinātnes komanda vēlas pielāgot modeli citiem uzdevumiem un pat apmācīt to vairāku uzdevumu veikšanai, lai sāktu izprast un izstrādāt jaunus modeļus, kas var izskaidrot, kā cilvēki veic vispārināšanu no ierobežotas pieredzes un veic plašu sarežģītu uzdevumu klāstu, ar kuriem mēs sastopamies. ikdiena.
Piemēram, fMRI smadzeņu skenēšanas metodi, ko izmanto Poldraka laboratorija, var pielāgot modelim, lai iegūtu gan neironu, gan uzvedības datus. Tad mēs varam sākt saprast, kā smadzenes ģenerē šīs sarežģītās uzvedības. Šis ir viens no DyVA sistēmas ilgtermiņa mērķiem. “
Poldrack Lab pašlaik apstrādā lielu skaitu atklāti koplietotu fMRI datu kopu, izmantojot trajektorijas piešķiršanu TACC Frontera superdatorā.
Jaffe sacīja: “Lai pielāgotos sarežģītajiem modeļiem, kas būtu nepieciešami smadzeņu izskaidrošanai un uzvedības izskaidrošanai, patiešām ir vajadzīgas jaudīgas skaitļošanas sistēmas un jo īpaši grafikas apstrādes vienības. Superskaitļošanas resursi, piemēram, TACC, ir būtiski šī svarīgā darba veikšanai. ”
Par šo mākslīgā intelekta un izziņas pētījumu jaunumiem
autors: Horhe Salazars
avots: Jūta Ostina
komunikācija: Horhe Salazars – Jūta Ostina
bilde: Attēls ir publiski pieejams
Sākotnējā meklēšana: Slēgta piekļuve.
“Cilvēka uzvedības modelēšana kognitīvos uzdevumos, izmantojot latentās dinamiskās sistēmasRaksta Paul Jaffe et al. Cilvēka uzvedības būtība
kopsavilkums
Cilvēka uzvedības modelēšana kognitīvos uzdevumos, izmantojot latentās dinamiskās sistēmas
No kognitīviem uzdevumiem savāktie reakcijas laika dati ir psiholoģijas un neirozinātnes pētījumu stūrakmens, tomēr pašreizējie šo datu modeļi vai nu sniedz spēcīgus pieņēmumus par datu ģenerēšanas procesu, vai arī aprobežojas ar individuālās pieredzes modelēšanu.
Mēs piedāvājam DyVA uzdevumu, dziļu mācību sistēmu, kurā dinamiskas, izteiksmīgas sistēmas tiek apmācītas, lai reproducētu reakcijas laiku secības, kas novērotas atsevišķu priekšmetu datos. Modeļi, kas aprīkoti ar lielu uzdevumu pārslēgšanas datu kopu, tvēra subjektam raksturīgas uzvedības atšķirības ar augstu laika izšķirtspēju, tostarp uzdevumu pārslēgšanas izmaksas.
Izmantojot traucējumu eksperimentus un modeļu latentās dinamikas analīzi, mēs atrodam atbalstu racionālam pārslēgšanās izmaksu aprēķinam attiecībā uz kompromisu starp stabilitāti un elastību. Tādējādi mūsu sistēmu var izmantot, lai atklātu interpretējamas kognitīvās teorijas, kas izskaidro, kā smadzenes dinamiski izraisa uzvedību.
