AI getraind op spamfiltering ontcijfert Hydra's neurale reacties in realtime

Onderzoekers gebruiken machine learning-algoritme (oorspronkelijk ontwikkeld voor spamfiltering) om Hydra's gedrag te analyseren. Het kan gedrag in realtime analyseren en laten zien hoe Hydra's neuronen reageren op variërende omgevingen. Hiervoor pasten ze bag-of-words-classificatiemodel toe op de video met alle Hydra-activiteiten.

Het Machine Learning-algoritme

Het algoritme kan het gedrag in realtime analyseren – het helpt onderzoekers te observeren of Hydra iets kan leren, en als ze dat doen, hoe hun neuronen reageren.

In 2017 vonden onderzoekers 4 typen neurale circuits verantwoordelijk voor het controleren van 4 verschillende buig- en verlengingsgedragingen. Dit hielp hen begrijpen hoe het zenuwstelsel van Hydra zijn gedrag controleert.

Nu zijn ze een stap verder gegaan: ze hebben een complete set van Hydra's gedragingen gecatalogiseerd.

Het team paste het bekende bag-of-words-model toe op de video die alle activiteiten van Hydra bevat. Het model is een vereenvoudigde representatie gebruikt in informatie-opvraging en natuurlijke taalverwerking. Bovendien identificeerden onderzoekers ongesuperviseerde methoden en niet-geannoteerde gedragingen.

Het bag-of-words-model beschouwt video's en afbeeldingen als "tassen" van visuele woorden, zoals kleine patches in de afbeeldingen, of vorm- en videokenmerken geëxtraheerd uit dergelijke kleine patches. In vergelijking met andere methoden is het robuuster tegen uitdagingen zoals orientatie, occlusie en verandering in kijkhoek.

Om het efficiënter te maken, integreerden onderzoekers dit model met andere computationele methoden, inclusief dense trajectory (codeert vorm- en bewegingsstatistieken), lichaamsdeelsegmentatie (beschrijft ruimtelijke informatie) en Fisher-vectoren (vertegenwoordigt visuele woorden op statistische manier).

Het algoritme cyclede door uren video en detecteerde herhalende bewegingen, net zoals het onderzoekt hoe vaak woorden in een tekst voorkomen om onderwerpen/onderwerpen op te sporen en de e-mail te vlaggen.

10 van de eerder gerapporteerde gedragingen werden succesvol geïdentificeerd door het algoritme. Feitelijk evalueerde het 6 van die gedragingen die reageerden op variërende omgevingscenario's. De resultaten waren redelijk interessant: het gedrag van Hydra veranderde nauwelijks. Of je de lichten uit of aan liet, het voedde of niet, het herhaalde hetzelfde ding meerdere keren.

Wat is de volgende stap?

Onderzoekers plannen te experimenteren met stimuli om eventuele veranderingen in Hydra's gedrag te observeren. Het uiteindelijke doel is om de neurale code te onthullen die onthult hoe Hydra's neurale netwerken gedrag produceren. In de toekomst kan de techniek ook geïnfuseerd worden met andere organismen die duizenden eeuwen geëvolueerd zijn.

Dingen geleerd uit deze studie kunnen nuttig zijn voor andere engineering-takken die betrokken zijn bij het behouden van accurate controle en stabiliteit in machines zoals vliegtuigen en schepen, navigeren in harde omgevingen.