生物和机器智能：连接点

SueYeon Chung 是计算神经科学中心的副研究科学家和项目负责人。

当我们看到一只狗时，我们大脑中的神经元会迅速放电，告诉我们我们在看什么。虽然这一切都在眨眼之间发生，但过程本身非常复杂。在熨斗研究所， SueYeon Chung正在努力弄清楚我们的大脑如何有效地处理这些信息。

在她的工作中，Chung 结合了统计物理学、应用数学和机器学习。她的目标？建立数学框架来理解神经元如何在瞬间集体编码和传输信息。对我们的神经生物学的这种见解也可以改善人工智能 (AI)。例如，将生物神经元的特性应用于人工智能程序可以提高计算效率。

Chung 是纽约大学神经科学中心的助理教授，也是熨斗研究所新成立的计算神经科学中心的副研究科学家和项目负责人。在加入熨斗研究所和纽约大学之前，Chung 在哥伦比亚大学理论神经科学中心担任博士后研究科学家。在此之前，她是麻省理工学院脑与认知科学系的计算研究员。 Chung 在哈佛大学获得应用物理学博士学位，在康奈尔大学获得物理和数学理学学士学位。

Chung 最近向西蒙斯基金会讲述了她的工作以及研究大脑复杂性的灵感。为清楚起见，已对对话进行了编辑。

您目前的研究重点是什么？

我的工作是神经科学和机器学习的交叉点，机器学习是人工智能的一个分支。在我的实验室中，我们开发了具体的措施来衡量神经活动如何有效地编码和打包执行任务所需的信息。我可以做一个快速的类比。

想象一下，你有一个有限大小的盒子。如果你试图在里面装大球，你只能在盒子里放一个小数字。但如果球更小，可以挤进更多球。类似的原理也存在于神经数据中。当大脑受到移动刺激时——比如狗的视频——一组神经元会以不同的放电率做出反应。这个响应集合可以表示为称为“对象流形”的数学实体。在我们的类比中，对象流形是我们盒子里的球之一。我们的大脑可以同时处理或处理许多这些流形。为此，大脑使这些歧管变得小而紧密。这使得大脑能够有效地存储和读取这些信息。实际上，大脑已经把多余的球挤进了盒子里。

概念图展示了感官层次结构（顶部）如何变换“对象流形”（底部），从而使它们的几何形状变得更有效，即可以存储和解码更多的这些对象流形。信用：SueYeon Chung

因此，我们的工作特别关注这些流形的几何形状与神经数据的相应效率之间的联系：这些记忆流形（球）如何安排以有效地工作。

因为大脑是如此复杂，人们对其知之甚少，所以我使用机器学习方法来构建大脑模型并研究大脑用来学习的规则。这种方法可以帮助理解神经数据。此外，事实证明，这种方法有助于理解人工智能模型的内部工作原理，主要是受大脑启发的深度网络。

什么是深度网络？

深度网络模型是模拟神经元工作方式的单元排列。这些网络被赋予了一项认知任务，并被教导如何完成它——就像大脑一样。这与研究人员编写人工智能模型来完成特定任务的旧系统不同。深度网络像我们的大脑一样被训练来执行某些任务，它们可以适应学习新的任务。

深度网络已经存在了很长时间，但在 2010 年代中期，由于它们在完成面部识别和从语音中转录文本等任务方面的实力，它们的人气激增。

研究深度网络如何帮助我们理解大脑，反之亦然？

深度网络模型旨在模拟大脑。但与直觉相反，即使它们是人类创造的，我们也并不真正理解为什么它们能像它们一样工作。我们的工作表明，您可以开发计算分析工具来了解神经元如何执行高度复杂的任务，例如在处理视觉和运动时集体编码信息。

此外，大脑中有许多特征没有反映在现代深度网络模型中。例如，生物神经元是随机的，这意味着它们随机发射。如果您将随机性等特征引入网络模型，事实证明它们会使这些深度网络模型表现得更好。

这是使用神经生物学特征作为这些网络模型的构建块有助于提高这些网络的计算能力的一个例子。现在，借助我们新的几何分析工具和建模技术，我们还可以研究这些神经生物学特征如何使神经反应更适合任务执行。看到这些联系出现在我实验室的工作中是非常令人兴奋的。

你将来想学什么？

我很高兴继续思考神经元在执行任务时的效率，比如分类或区分不同的对象。这些任务如何影响神经活动和放电率？这可以追溯到前面与盒子里的球的类比。我们试图通过数学理论来发现大脑如何将“记忆”球装进一个盒子里，可以这么说。

然后，这些理论也可以应用于神经科学和人工智能，目的是使计算的基础更加高效。由于我们的理论告诉我们，更小和低维的流形在打包信息方面更有效，也许深度网络模型也将从实现这种几何形状中受益。我们已经将网络模型设计得更像大脑——比如我提到的随机性——这有助于他们更有效地执行大脑通常可以解决的任务。

到目前为止，我们的工作主要集中在大脑的感觉区域，比如视觉和听觉区域，但我很想扩展到运动皮层和更多认知区域，比如前额叶皮层和海马体，它们可以处理类似的活动空间导航。这将超越对象识别，处理更复杂的任务，这对于理解认知背后的计算原理至关重要。

熨斗研究所如何帮助您完成这项工作？

我的培训和研究是跨学科的。在作为西蒙斯基金会内部研究部门的熨斗研究所工作非常有帮助，因为这里有一个计算科学家网络，不仅在神经科学领域，而且在天体物理学、量子物理学、生物学和数学领域。这在智力上非常刺激，而且我不断受到研究所每个中心的工作的启发。

另一方面是基金会对与其他机构合作的支持。例如，我在纽约大学神经科学中心有一个联合任命。这促成了与那里的实验神经科学家的重要合作，这对我们实验室工作的成功至关重要。 Flatiron Institute 是合作的理想场所。