Marianne Fyhn undersøker hjernen på disse rottene for å lære hvordan hjernen vår er i stand til å huske hvor vi har vært. Anders Malthe-Sørenssen skal bruke den nye hjernekunnskapen til å lage bedre læringsalgoritmer med kunstig intelligens. (Foto: Ola Sæther)
Marianne Fyhn undersøker hjernen på disse rottene for å lære hvordan hjernen vår er i stand til å huske hvor vi har vært. Anders Malthe-Sørenssen skal bruke den nye hjernekunnskapen til å lage bedre læringsalgoritmer med kunstig intelligens. (Foto: Ola Sæther)

Forskere lærer kunstig intelligens av rotter

Kunnskap om hjernen kan gjøre kunstig intelligens bedre. Samtidig kan kunstig intelligens brukes til å lære mer om hjernen vår.

Publisert

De nye metodene innen kunstig intelligens er direkte inspirert av hjernen, poengterer professor Anders Malthe-Sørenssen, leder av Center for Computing in Science Education ved UiO.

Han samarbeider tett med hjerneforsker og professor Marianne Fyhn på Institutt for biovitenskap. Kongstanken deres er at den nye kunnskapen fra hjerneeksperimenter både skal kunne forbedre kunstig intelligens og at kunstig intelligens skal kunne gjøre hjerneeksperimentene enda bedre.

Bakgrunnen for dette spesielle samarbeidet mellom en fysiker og en hjerneforsker går tilbake til den gangen Marianne Fyhn tok doktorgraden i hukommelsesbiologi. Hun var stipendiat hos nobelprisparet May-Britt og Edvard Moser. Doktor- avhandlingen hennes ble kåret til verdens beste av den amerikanske foreningen Society for Neuroscience.

I dag driver Marianne Fyhn, sammen med ektemannen Torkel Hafting, sitt eget hjerneforskningslaboratorium på UiO. De siste åtte årene har de studert hvordan hjernen kan lære seg nye ting samtidig som de lagrete minnene ikke forsvinner. Hun er nå spesielt interessert i hvordan stedsansen vår i hjernen fungerer og hvordan hjernen vår er i stand til å lære å huske hvor vi har vært.

Sinnrik hjerne

Hjernen vår er et sinnrikt nevralt nettverk som består av 85 til 100 milliarder hjerneceller. Hver av dem har direkte kontakt med opptil ti tusen andre hjerneceller. Mange av hjernecellene er også koblet tilbake til seg selv. Alle hjernecellene kommuniserer seg imellom med elektro-kjemiske signaler.

Noen typer kunstig intelligens, såkalte nevrale nettverk, er bygd opp etter inspirasjon fra hjernen, men i en svært forenklet form. Nevrale nettverk består av tusenvis av punkter, der hvert punkt i det nevrale nettet representerer én digital hjernecelle. De digitale hjernecellene ligger systematisk og lagvis fordelt.

I hjernen vår kan de elektriske pulsene sendes frem og tilbake via andre hjerneceller. Pulsene kan også gå i loop. Derimot finnes det ingen tilbakekoblinger i de vanligste kunstige nevrale nettverkene. Der kan signalene bare gå i én retning. Signalene kan bare sendes til de digitale hjernecellene i det neste laget.

Hvis summen av signalene overstiger en bestemt verdi, sender den digitale hjernecellen et signal videre. Slik fortsetter de digitale hjernecellene å ta imot og sende signaler videre til det neste laget, gjennom lag for lag, inntil det nevrale nettet kan gi et presist svar.

– Strukturen i det kunstige nevrale nettet er derfor mye enklere enn i hjernen vår, understreker Anders Malthe-Sørenssen.

For at kunstig intelligens skal fungere må det nevrale nettet trenes opp en mengde ganger. For hver runde fininnstilles parameterne i alle de kunstige hjernecellene.

Sjakkmesteren

Et av mest kjente eksemplene på kunstig intelligens er den berømte sjakkcomputeren til Deepmind, et britisk selskap som slo seg sammen med Google i 2014.

Deepmind trente opp kunstige agenter til å spille sjakk mot hverandre. Ved å spille enormt mange ganger kunne agentene lære spillet ved å prøve og feile. Den eneste inputen de fikk, var spillereglene. Intet mer. Etter tre–fire timers beregninger i en tungregnemaskin var datamaskinen blitt så god at den kunne slå de klassiske sjakkmaskinene, selv om de var fôret med stormesterpartier fra hele verden.

I fjor høst publiserte Deepmind en artikkel der de trente opp en virtuell mus i datamaskinen. Musen ble trent opp til å navigere i en labyrint. Den hadde digitale øyne. Akkurat som hver av de enkelte reseptorene i øynene våre er koblet til ulike nerveceller inne i hjernen vår, vil et digitalt øye bearbeide informasjonen fra hvert bildepunkt gjennom hver sin digitale hjernecelle.

Stedsans

Når vi bruker stedsansen, bruker vi hjerneceller i et helt spesielt område i hjernen, nært hukommelsessenteret, som kalles entorhinal cortex. Dette er spesialet til Marianne Fyhn. Hun måler aktiviteten i hjernecellene til mus og rotter, heretter omtalt som rotter, og ser hvordan signalene blir sendt videre avhengig av hvor de beveger seg.

Selv om rotter lett finner frem, er det vanskelig å programmere en kunstig rotte til å finne veien.

– Tenk deg at du skal finne veien til kontoret i dag. Du synes sikkert dette er veldig enkelt, men det er uhyre vanskelig for en maskin. Den må trenes opp noe helt enormt for å klare dette. Hvis den skal til et annet kontor, må den trenes opp atter en gang, poengterer Marianne Fyhn.

UiO-forskerne ønsker nå å øke kunnskapen om kunstig intelligens ved å lære om hvordan rotter bruker hjernen til å navigere.

– Ideen vår er å konstruere nevrale nettverk som tar enda mer hensyn til hvordan den biologiske hjernen sender signalene sine videre. Ved å sende signalene tilbake, som i den virkelige verden, kan det bli større dynamikk i den kunstige intelligensen, forteller Anders Malthe-Sørenssen.

Ser inn i rottehjernen

Marianne Fyhn kan også få glede av den kunstige intelligensen til å designe nye rotteforsøk. Selv om rotter er mye enklere skapninger enn oss mennesker, har hjernen deres likevel mye til felles med vår. Rottehjernen består av rundt 100 millioner hjerneceller. I det avanserte laboratoriet hennes, der hun kan se rett inn i rottehjernen, kan hun likevel bare måle hva som skjer i 300 hjerneceller.

– Disse hjernecellene gir bare et glimt av hva som skjer. Det er derfor vanskelig å vite hvordan de er forbundet og virker sammen, forklarer Fyhn.

Kunstig intelligens er derfor viktig for eksperimentene hennes. Ved å bruke kunstige, nevrale nettverk til å simulere hva som skjer i rottehjernen, kan de brukes både til å forklare hva hun måler i rottehjernen og til å designe nye eksperimenter.

Den store svakheten med dagens kunstige intelligens er at signalene i de nevrale nettverkene ikke går begge veier.

– Dagens nevrale nettverk er overforenklet. I hjernen er det hundrevis, om ikke tusenvis, av ulike hjerneceller med ulike egenskaper. De har utrolig mange tilbakekoblinger; koblinger tilbake til andre hjerneceller og til andre områder i hjernen, og de har til og med koblinger tilbake til seg selv. Hjernen er ekstremt kompleks. Det er et kjemisk maskineri i hjernen som kan endres over tid. Jeg har ikke tro på at det er mulig å gjenskape alt som skjer i hjernen, i en datamaskin, men det kan være elementer i hjernen som vi kan etterape, sier Marianne Fyhn.

En av de prosessene de tror at de kan gjenskape, er GPS-delen i hjernen, altså den delen av hjernen som gjør at vi klarer å finne frem.

– Hjernen har løst mange kognitive funksjoner som datamaskinen ikke klarer, fordi matematikerne har lagt inn begrensninger på hvordan den kunstige hjernen skal fungere. Når vi forstår mer av hvordan den biologiske hjernen fungerer, kan vi la oss inspirere til å lage nye typer nevrale nettverk. Vi vet ikke mye om hvordan hjernen fungerer når den spiller sjakk, men vi vet mye om hva som skjer i rottehjernen, når de navigerer inne i labyrinter, påpeker Anders Malthe-Sørenssen.

Læring

UiO-forskerne ønsker å bruke den nye kunnskapen fra rotteforsøkene til å se hvordan de kan lage mer effektive læringsalgoritmer. Målet er ikke en maskin som nødvendigvis lærer enda raskere, men å lage det som kalles for robust læring. Med robust læring skal det ikke lenger være mulig å lure den kunstige intelligensen til å tro at den gjenkjenner bilder, hvis bildene viser noe helt annet. Tenk deg at du jakter på en sebra. Hvis sebraen endrer litt på sebramønsteret sitt, gjenkjenner du selvsagt fortsatt sebraen. Men det er ikke gitt at den kunstige intelligensen klarer det samme. Hvis kunstig intelligens skal lære seg hva som er en sebra, må den kanskje analysere flere millioner ulike bilder av sebraer. Det trenger ikke vi mennesker. Vi er smartere enn som så.

– Noe i de naturlige systemene er derfor mer robust og mer effektivt enn den kunstige intelligens- en. Hjernen vår bruker dessuten mye mindre energi til bildegjenkjenning enn kunstige nettverk. Vi ønsker derfor å overføre denne robustheten til kunstig intelligens. Da må vi vite mer om hvordan hjernen vår er bygd opp, sier Anders Malthe-Sørenssen.

UiO langt fremme

Det er nettopp her han mener at UiO kan ha noe å fare med.

– Vi er langt fremme i beregningsorientert nevrovitenskap. Vi har kunnskapen i matematikk, fysikk og simuleringer, vi har lang erfaring i å lage kunstige nettverk, og vi har dessuten eksperimentell erfaring i hvordan den biologiske hjernen fungerer.

Læring handler også om korttids- og langtidshukommelse. Når du skal beregne hvor du går, er det viktig å vite hvor du var for tre steg siden, mens det er mindre viktig å vite hvor du var for tusen steg siden.

– Hvis du er nødt til å trene opp en robot hver gang den går fra et annet sted og hjem til deg, er ikke dette særlig lønnsomt. Vi må derfor lære den hvordan den kan lære av det som har skjedd tidligere, sier Malthe-Sørenssen.

GPS-delen i hjernen ligger i det som kalles gitter-celler. Det viser seg at de samme hjernecellene ikke bare brukes til å finne veien.

– Vi har bare et begrenset antall hjerneceller. De samme cellene kan gjøre mange forskjellige ting. Nå viser det seg at gitter-cellene også kan være koder for frykt og tid og kanskje også andre inntrykk. Det vil en datamaskin ikke klare i dag, sier Marianne Fyhn.

Hun ser likevel frem til å bruke kunstig intelligens til å forstå mer om hjernen.

– Ved å kombinere den nyeste teknologien innen hjerneforskning med kunstig intelligens, har vi nå fått langt mer sofistikerte metoder å studere hjernen på. Det er spennende.

Anders Malthe-Sørenssen ser for seg at forskningen deres kan føre til nye anvendelser.

– Det viktigste for oss er å lage mer effektive læringsalgoritmer. De kan gjøre fremtidens navigasjon og bildegjenkjenning bedre.

Denne saken ble først publisert i Apollon. Les originalsaken her.