研究人員將深度學習模型與實驗數據配對，以“解碼”小鼠神經活動。使用該方法，他們只需觀察老鼠的神經放電模式，就可以準確地確定老鼠在開放環境中的位置以及它面向的方向。能夠解碼神經活動可以深入了解單個神經元甚至整個大腦區域的功能和行為。這些研究結果于 2 月 22 日發表在《生物物理學雜志》上，也可以為目前難以自主導航的智能機器的設計提供參考。

資深作者 Vasileios Maroulas 的團隊與陸軍研究實驗室的研究人員合作，使用深度學習模型來研究參與導航的兩種類型的神經元：“頭部方向”神經元，它們編碼有關動物面朝哪個方向的信息，和“網格細胞”，它們編碼有關動物在其空間環境中的位置的二維信息。

“目前的智能系統已被證明在模式識別方面表現出色，但在導航方面，如果沒有 GPS 坐標或其他東西來指導該過程，這些所謂的智能系統就無法表現得很好，”Maroulas (@VMaroulas)說)，田納西州諾克斯維爾大學的數學家。“我認為人工智能系統的下一步是將生物信息與現有的機器學習方法相結合。”

與之前試圖了解網格單元行為的研究不同，該團隊的方法基于實驗數據而不是模擬數據。這些數據是作為先前研究的一部分收集的，包括通過內部探針收集的神經放電模式，并與有關小鼠探索開放空間時的實際位置、頭部位置和運動的“真實”視頻片段配對。環境。分析涉及整合頭部方向和網格單元組之間的活動模式。

“理解和表示這些神經結構需要描述高階連接的數學模型，這意味著，我不想了解一個神經元如何激活另一個神經元，而是我想了解神經元組和團隊的行為方式，”說馬魯拉斯。

使用新方法，研究人員能夠比以前描述的方法更準確地預測小鼠位置和頭部方向。接下來，他們計劃整合來自參與導航的其他類型神經元的信息并分析更復雜的模式。

最終，研究人員希望他們的方法將有助于設計能夠在不熟悉的環境中導航而無需使用 GPS 或衛星信息的智能機器。“最終目標是利用這些信息來開發一種機器學習架構，該架構能夠在沒有 GPS 或衛星引導的情況下成功自主導航未知地形，”Maroulas 說。