作者:by Technical University Munich
精确预测运动的能力不仅对人类和动物至关重要,而且对于从自动驾驶到机器人技术的许多AI应用也至关重要。慕尼黑技术大学(TUM)的研究人员现在发现,在接受早期视觉系统开发的生物学数据培训时,人工神经网络可以更好地执行此任务。
研究发表在PLOS计算生物学。
无论是在老鼠,猫还是人类中:甚至在脊椎动物睁开眼睛之前,训练程序始于视网膜完全独立于外部刺激。自发活性模式以波状的动作传播到眼睛的神经组织。
这神经活动被称为“视网膜波”,协调视网膜和大脑视觉系统之间的早期布线。从某种意义上说,在遇到现实世界之前,眼睛开始练习视觉。
TUM的研究人员现在表明人工神经网络模仿大脑功能也可以从这种预训练中受益。
“通常使用与其旨在执行的任务相似的数据进行人工神经网络。与视觉系统在生物中的发展方式相比,他们学习过程仅当眼睛睁开时才开始。我们从大自然中汲取灵感,并纳入了类似于生物视觉系统中的训练阶段,并将其纳入了神经网络的训练中。”
第一步,团队调查了视网膜波训练是否会对神经网络的表现产生任何影响。为此,他们以不同的方式训练了不同的网络:一组网络使用鼠标的视网膜波数据进行了预训练。
之后,使用动画电影模拟鼠标穿过各种几何图案的狭窄走廊的视角。另一组网络仅使用动画电影进行培训,而没有任何预训练。
所有网络的任务都是相同的:他们必须准确预测模拟走廊壁上的视觉模式将如何发展。与没有这样的预训练的网络相比,通过视网膜波预训练的网络更快,更准确地执行了任务。
为了排除更好的表现仅仅是由于较长的培训期,研究人员进行了另一轮实验,在这些实验中,他们缩短了花费的时间来培训动画的预训练网络。这确保了所有网络的总培训时间相同。即使那样,预训练的网络也以速度和精度均优于其他网络。
在最后一步中,团队提高了难度水平。他们使用从漫游的猫的角度捕获的现实世界录像训练了网络,并用动作摄像头显示了猫的看到。这
视频质量低于动画,动作更为复杂。然而,经过视网膜波预先训练的网络胜过所有其他网络。
更多信息:Lilly May等人,具有自发视网膜活性的训练前人工神经网络可改善自然场景的运动预测,PLOS计算生物学(2025)。doi:10.1371/journal.pcbi.1012830
引用:人工智能如何从老鼠那里学习(2025年,6月12日)检索2025年6月13日摘自https://techxplore.com/news/2025-06-aindercover-intelligence-mice.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外,没有未经书面许可,可以复制部分。内容仅用于信息目的。