Мозок зебрової амадини в розрізі.
Ми поки мало знаємо про мозок. Фахівці з конектоміки намагаються це виправити, аналізуючи структуру нейронних зв'язків і складаючи докладні «карти». Для цього вони роблять знімки нервової тканини в нанометровій роздільній здатності і вже на них намагаються розгледіти окремі синапси. Недоліку в даних немає, а от щоб їх обробити, потрібна, здавалося б, ціла вічність - через те, що дозвіл настільки високий, навіть кубічний міліметр нервової тканини може перетворитися на тисячу терабайт. Співробітники Google і вчені з Інституту нейробіології Товариства Макса Планка (нім. max-Planck-Institut für Neurobiologie) подумали: чому б не залучити до опису одних нейронних мереж інші нейронні мережі? І збільшили точність автоматичної обробки інформації на порядок.
Картування відросток нервових клітин на знімках, отриманих мікроскопом, - приклад завдання на сегментацію зображень. Традиційні алгоритми виконують цей процес у два етапи: спочатку знаходять межі між відростками за допомогою детектора кордонів Кенні або класифікатора, а потім групують разом пікселі, які кордонами не розділені (для цього застосовують розріз графів або метод водорозділу). Три роки тому співробітники Google знайшли альтернативний підхід. Їх алгоритм починає з певного пікселя і в кілька ітерацій заповнює ділянку кольором - все завдяки нейронній мережі, яка пророкує, які пікселі є частиною того ж самого об'єкта. З 2015 року інженери покращували точність нейронних мереж, тренуючи їх на великих масивах даних.
Співробітники Google і вчені з Інституту нейробіології розробили систему показників під назвою expected run length (ERL, очікувана тривалість виконання). Вона показує, наскільки далеко система зможе «відстежити» нейрон, перш ніж помилиться, якщо взяти випадкову точку в межах випадкового нейрона на знімку мозку. Алгоритм Google відстежує в 3D-форматі один аксон у мозку співака птиці.
Дослідники і програмісти працювали над картою конектому одного кубічного мікрометра нервової тканини зебрової амадини. Коли нещодавно ефективність нейронних мереж оцінили за допомогою ERL, виявилося, що вони на порядок точніше попередніх технологій глибинного навчання, які тестували на тому ж наборі даних. Зовсім без помилок обійтися не вдалося - їх пізніше виправили люди - але робота була зроблена. Тепер Google має намір довести цей процес до повного автоматизму, щоб ШІ справлявся сам. А поки вони описали свій підхід у статті в Nature Methods і виклали вихідний код у відкритий доступ.
