Questo articolo di intelligenza artificiale presenta POYO-1 un framework di intelligenza artificiale che decifra l’attività neurale in registrazioni su larga scala tramite deep learning.

POYO-1 un framework di intelligenza artificiale che svela l'attività neurale tramite deep learning in registrazioni su larga scala

Ricercatori del Georgia Tech, Mila, Université de Montréal e McGill University presentano un framework di formazione e architettura per modellare la dinamica delle popolazioni neurali in diverse registrazioni neurali su larga scala. Tokenizza i singoli spike per catturare l’attività neurale temporale dettagliata e utilizza l’attenzione incrociata e una struttura di base PerceiverIO. Viene costruito un modello su larga scala a molte sessioni utilizzando dati provenienti da sette primati non umani con oltre 27.000 unità neurali e oltre 100 ore di registrazioni. Il modello dimostra una rapida adattabilità a nuove sessioni, consentendo prestazioni a pochi colpi in varie attività che mostrano un approccio scalabile per l’analisi dei dati neurali.

Il loro studio introduce un framework scalabile per modellare la dinamica delle popolazioni neurali in diverse registrazioni neurali su larga scala utilizzando i Transformers. A differenza dei modelli precedenti che operavano su sessioni fisse con un unico set di neuroni, questo framework può essere addestrato su soggetti e dati provenienti da diverse fonti. Sfrutta i livelli PerceiverIO e di attenzione incrociata per rappresentare in modo efficiente gli eventi neurali, consentendo prestazioni a pochi colpi per nuove sessioni. Il lavoro mostra il potenziale dei Transformers nell’elaborazione dei dati neurali e introduce una implementazione efficiente per migliorare i calcoli.

Gli avanzamenti recenti nell’apprendimento automatico hanno evidenziato il potenziale di scalare con modelli di grandi dimensioni preaddestrati come GPT. In neuroscienze, c’è la domanda di un modello fondamentale per collegare diversi set di dati, esperimenti e soggetti per una comprensione più completa della funzione cerebrale. POYO è un framework che consente una formazione efficiente su diverse sessioni di registrazione neurale, anche quando si lavora con diversi set di neuroni e nessuna corrispondenza conosciuta. Utilizza uno schema di tokenizzazione unico e l’architettura PerceiverIO per modellare l’attività neurale, mostrando la sua trasferibilità e miglioramenti nella decodifica del cervello tra le sessioni.

Il framework modella la dinamica dell’attività neurale attraverso diverse registrazioni utilizzando la tokenizzazione per catturare i dettagli temporali e utilizza l’attenzione incrociata e l’architettura PerceiverIO. Un grande modello multi-sessione, addestrato su vasti set di dati di primati, può adattarsi a nuove sessioni con corrispondenze tra neuroni non specificate per l’apprendimento a pochi colpi. I Position Embeddings rotativi migliorano il meccanismo di attenzione del transformer. L’approccio utilizza binning di attività neuronale di 5 ms e ha ottenuto risultati dettagliati su set di dati di riferimento.

L’efficacia della decodifica dell’attività neurale del set di dati NLB-Maze è stata dimostrata raggiungendo un R2 di 0,8952 utilizzando il framework. Il modello preaddestrato ha ottenuto risultati competitivi sullo stesso set di dati senza modifiche ai pesi, indicando la sua versatilità. È stata dimostrata la capacità di adattarsi rapidamente a nuove sessioni con corrispondenze tra neuroni non specificate per prestazioni a pochi colpi. Il modello multi-sessione su larga scala ha mostrato prestazioni promettenti in diverse attività, sottolineando il potenziale del framework per un’analisi completa dei dati neurali su larga scala.

In conclusione, un framework unificato e scalabile per la decodifica delle popolazioni neurali offre un’adattabilità rapida a nuove sessioni con corrispondenze tra neuroni non specificate e ottiene ottime prestazioni in diverse attività. Il modello multi-sessione su larga scala, addestrato su dati provenienti da primati non umani, mostra il potenziale del framework per un’analisi completa dei dati neurali. L’approccio fornisce uno strumento robusto per l’avanzamento dell’analisi dei dati neurali e consente una formazione su larga scala, approfondendo le conoscenze sulla dinamica delle popolazioni neurali.