據(jù)VentureBeat報道，在神經(jīng)系統(tǒng)中繪制生物網(wǎng)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(jīng)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(jié)的數(shù)據(jù)。

　　幸運的是，人工智能(AI)可以提供幫助。

　　在《Nature Methods》雜志上發(fā)表的論文中，谷歌和馬克斯-普朗克神經(jīng)生物研究所的科學家們展示了一種遞歸神經(jīng)網(wǎng)絡，它是為連接組學分析量身定做的系統(tǒng)。遞歸神經(jīng)網(wǎng)絡是一種機器學習算法，經(jīng)常用于手寫和語音識別。

　　谷歌的研究人員并不是第一個將機器學習應用于連接組學的人。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(fā)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(shù)量級”的提高。

　　谷歌算法在鳴禽大腦中追蹤3D神經(jīng)突

　　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(jīng)突(神經(jīng)元本體的分支)的邊界，以及一種復發(fā)性卷積神經(jīng)網(wǎng)絡(復發(fā)性神經(jīng)網(wǎng)絡的一個子類)，該神經(jīng)網(wǎng)絡將神經(jīng)元掃描中的像素聚集起來并突出顯示出來。

　　為了跟蹤準確性，研究團隊開發(fā)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(jīng)元一個隨機點，然后測量算法在出錯前跟蹤神經(jīng)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后，該模型的表現(xiàn)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?jié)删S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余的錯誤，而馬克斯普朗克研究所的研究人員現(xiàn)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，并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(fā)布了模型的TensorFlow代碼，以及他們用來可視化數(shù)據(jù)集和改進重構結果的WebGL 3D軟件。他們計劃未來繼續(xù)改進這個系統(tǒng)，目標是使突觸解析過程完全自動化，并“為馬克斯普朗克研究所和其他機構的項目做出貢獻”。