近日，Two Six Labs和斯坦福研究團隊利用神經網絡實現了對小鼠的“讀心術”，他們利用網絡模型讀取小鼠腦內的電信號，預測小鼠的行為和在迷宮中的位置，平均預測誤差僅為4cm。

“讀心術”真的能夠實現嗎？

近日，由DARPA和斯坦福的研究團隊正在研究如何“讀小鼠的心”。當然，其實沒有“讀心術”那么玄乎，確切地說，是通過神經網絡讀取小鼠大腦中的電信號活動，來預測小鼠的活動和位置。

讀取小鼠的“想法”，預測小鼠的位置

大腦由相互連接的神經元組成：神經元可以響應輸入處于激活狀態，反過來激活其他神經元。這些系統的“簡化版”就是第一個人工神經網絡的靈感來源。斯坦福Schnitzer實驗室的同事們制作了一個數據集，用于監控實驗室的小鼠在“競技場”中移動時的神經活動。

所謂“競技場”其實是一個帶有地標貼紙的小盒子。研究人員通過將一個微型顯微鏡連接到小鼠的頭部，并記錄熒光染料的軌跡，這種染料會在單個神經元在放電時發出綠光，從而實現記錄神經活動的目的。這項技術可以同時跟蹤數百個、甚至數千個神經元的活動。

我們主要關注小鼠大腦中海馬體CA1區域的神經元，這是大腦中涉及學習、記憶和導航的部分。該區域中的一些神經元被稱為“放置細胞”，因為它們響應于鼠標的位置而發射。例如，當鼠標位于機箱的左上角時，給定的單元格可能只會觸發。鼠標的大腦通過解釋這些細胞活動或不活動的組合信號來編碼位置概念。

“可以使用人工神經網絡將這些生物神經元的信號標記在小鼠所處位置的地圖上嗎？”也就是說，如果我們對生物神經網絡進行逆向工程，是否可以通過讀取小鼠的意念得知它的位置？

準確預測生物神經元活動的位置

為此我們訓練了一個神經網絡，根據最近的神經元放電模式預測小鼠的位置。我們使用實驗觀察結果的前80%作為訓練數據，僅給出神經元的活動，來預測后20％觀察結果的小鼠位置。我們嘗試了許多模型體系結構，發現具有回歸輸出層的簡單密集神經網絡表現最好，平均預測誤差僅為4 cm。小鼠身長約8厘米，而競技場大小為45cm×60cm的矩形。此循環動畫中顯示了我們的預測（藍點）和小鼠的標記位置（紅點）。

模型預測給出的位置（藍點）和小鼠的標記位置（紅點）

不過，盡管回歸輸出表現良好，但沒有表現出對其他預測的確定性的任何信息。為此我們設計了另一個深度神經網絡模型，這次的模型包括卷積層。我們將“競技場”劃分為1厘米見方的網格，并訓練分類任務，預測小鼠將走過“競技場”中的哪些網格方塊。模型為預測了小鼠會經過每個方塊的概率，輸出了一張預測強度的熱圖。

但是，由于小鼠的實際位置的標簽是單個網格方塊（以小鼠的中心點為準），我們需要開發一種新的損失函數來訓練模型，告訴模型“幾乎正確”的預測比“根本不貼邊”的預測更好。之后，模型的表現與點預測模型基本相當，平均預測誤差為5厘米。但是，預測信息中包含了有關替代預測和模型確定性的更多信息。視頻中的藍云表示競技場中小鼠所在位置預測概率最高的區域。

藍色云代表競技場中小鼠所在的預測概率最高的區域。紅點是小鼠的標記位置

預測未來行為：通過小鼠行為，破解人類行為的奧秘

我們將這種不確定性概念編入預測模型中，然后研究：“我們可以通過讀取小鼠的思想，來預測其未來的位置嗎？新模型不會通過查看最近的神經元放電模式，詢問小鼠目前的位置，而是預測1秒，2秒或3秒后的位置。預測結果與基線相比仍然有很好的表現。

我們分析的數據可以表示出小鼠的簡單行為：在盒子中移動。我們可以將數據劃分為兩種行為類別：“活躍”/移動，或固定/“靜止”。我們能夠以75％的平衡精度預測小鼠的當前行為屬于哪一類，并且在2秒后仍然具有66％的準確度。這表明我們的海馬神經元模型不僅能夠編碼有關現在的位置信息，還對未來進行某種程度的規劃。

我們在Schnitzer實驗室的合作者正在努力制作更復雜的行為數據集，以便我們應用這些方法。比如可以在小鼠通過迷宮時對其進行映射，預測左右轉彎，并量化小鼠在學習走迷宮時的不確定性。或識別對小鼠展示哪些主題的圖像會刺激到它。我們使用小鼠作為研究模型，目的是更多地了解我們自己，希望我們的人工神經網絡有助于更好地理解生物的神經網絡。