脑游戏透露线索大脑是如何工作的

科学家们正在通过超级计算机和游戏数据起伏训练深度学习模型,模拟人类行为的“任务切换”,把注意力从一个任务到另一个地方。

这对于帮助科学家了解基础研究是很重要的认知控制,包括基本的心理过程,允许一个关注任务手边,还灵活地脱离任务如果需要。这些能力是由游戏征税的潮起潮落,研究人员研究了。

这项研究也可能通知理解疾病的患者表现出赤字在认知控制,如双相情感障碍和精神分裂症。

在游戏中,玩家使用键盘上的箭头键来表示方向绿色的树叶指向和红叶的方向移动,绿色与红色的叶互生,掌握这个任务切换游戏应该是训练思维灵活性,作为球员必须反复转移注意力从一个任务到另一个。

“我们发明了一种新的建模方式这些数据,对假设的更少大脑做一个特定的任务,”Paul Jaffe说博士后与罗素Poldrack教授合作,心理学系,斯坦福大学。

Jaffe和波特拉克研究的合著者,开发新的任务切换和更现实的模型,发表在自然的人类行为。

现有模型的认知加工组装简单的组件在一个“自顶向下”,严格的时尚。

“他们做了许多的假设关于心灵的任务。或者有其他的限制,比如不能是参与者的数据,”贾菲说。

杰夫和他的同事们开发了一种用于建模的框架人类行为叫task-DyVA认知任务。它使用动态神经网络,采用了任务刺激作为输入并生成响应输出,就像人们在从事一项任务。

“task-DyVA框架允许我们不仅适合涨落的大量数据提供给我们,而且模型个体差异的参与者,”贾菲说。“我们可以适应一个模型对于每个人的数据,然后看看模型不同。我们可以看里面的“大脑”模型(神经网络)明白它是如何做的任务。”

团队适应机器学习算法变分汽车编码器开发的方法来处理推理和学习困难的概率模型。

研究小组获得分配在得克萨斯高级计算中心(TACC) Maverick2超级计算机,系统专门为机器学习工作负载实现通过图形处理单元(GPU)的框架,可以利用其24节点NVidia GTX 1080 Ti GPU,有四个GPU的节点,以及三个节点每两个NVidia P100 GPU。

“TACC完成这项工作至关重要,因为可用的gpu,本质上是许多矩阵乘法计算优化的硬件非常快,这是一个操作中经常使用深度学习模型像我们以前在这项研究中,”贾菲说。

拉塞尔波特拉克补充说:“gpu可以大大加快机器学习模型的装配和测试。分配在Maverick2允许我们来推进这项工作的速度远远超过我们可以没有这个资源。”

研究人员用这些Maverick2超级计算资源和现有消除识别信息数据集从140名参与者年龄在20 - 89的兴衰发展他们的建模框架,最终,问问题通过分析模型关于大脑如何工作。

“我们在这些模型,试图了解他们正在做的任务。我们发现这个更广泛的任务切换任务的两个任务是代表模型在不同地区的潜在空间,一个抽象表示的变量参与这个特殊的任务。我们发现两个不同的地区做每个任务模型的“大脑”,”贾菲说。

这一发现可以解释为什么有“转换成本”放缓响应当人们开关tasks-since活动需要时间去从一个区域到另一个。更重要的是,该模型可以解释为什么它是有利于大脑分手这些任务,只有集中控制。这支持在2022年的一个想法研究科学家Musslick和科恩。

“我们发现,将任务分为两个不同的大脑区域,实际上使得模型更加健壮,它更难噪音干扰这些大脑区域的任务。大脑通过保持分离,它允许每个任务要做的很好,没有感到困惑的信号从其他任务,”贾菲说。

前进,科学团队希望模型适应其他任务,甚至训练它做多个任务开始理解和开发新的模型,可以解释人们如何完成从有限的经验概括和执行大量的复杂的任务,我们在日常生活中遇到的。

例如,核磁共振成像大脑扫描技术采用的波特拉克实验室,可以适合这个模型来捕获神经数据和行为数据。“然后我们就可以开始理解大脑是如何生成这些复杂的行为。这是我们的一个长期目标的task-DyVA框架,”贾菲说。

波特拉克实验室目前正在处理大量openly-shared fMRI数据集使用路径分配TACC Frontera的超级计算机。

贾菲说,“以适应复杂的模型,将需要解释大脑和解释行为,需要一个真正强大的计算系统,特别是gpu。超级计算资源如TACC做这项重要的工作是必不可少的。”