Modelando a Visão dos Camundongos: Insights do Aprendizado de Máquina

Redes Neurais Convolucionais Profundas (CNNs) são ferramentas na ciência da computação que conseguem modelar como o cérebro processa informações visuais. Essas redes têm uma estrutura parecida com o Córtex Visual dos animais, que é a parte do cérebro responsável pela visão. Os pesquisadores querem criar modelos precisos da função cerebral entendendo como diferentes características das redes podem melhorar essas previsões.

Dois aspectos importantes a considerar são a estrutura da rede e os objetivos definidos durante o treinamento. As redes podem ser ajustadas para refletir melhor as propriedades da atividade cerebral. Alguns pesquisadores modificaram as redes para imitar processos que encontramos na neurociência e tornar as respostas dessas redes mais realistas.

O tipo de entrada visual fornecida durante o treinamento também tem um papel importante. Por exemplo, quando as redes são treinadas com vídeos de objetos em movimento, elas conseguem se alinhar melhor à atividade em partes específicas do cérebro que são responsáveis pela detecção de movimento. Além disso, quando a entrada tem detalhes que combinam com as habilidades visuais do animal estudado – como usar resoluções de vídeo adequadas para camundongos em vez de humanos – a rede se sai melhor em imitar a atividade do cérebro do camundongo.

Neste estudo, os pesquisadores usaram um modelo chamado MouseNet, que foi criado para se parecer com o córtex visual do camundongo. Eles treinaram esse modelo usando um método de aprendizado auto-supervisionado. A equipe variou vários aspectos dos vídeos usados para o treinamento e analisou como essas variações afetaram quão bem o modelo se alinhava à atividade real do cérebro. Eles criaram vídeos mostrando a perspectiva de um camundongo em ambientes naturais (como prados) e ambientes artificiais (como espaçonaves) e estudaram como essas diferenças impactaram o desempenho do modelo.

#Visão Geral da Metodologia

Para realizar este estudo, os pesquisadores criaram um agente virtual de camundongo em um motor de desenvolvimento de jogos chamado Unity. Esse agente tinha duas câmeras configuradas de maneira semelhante aos olhos do camundongo, permitindo que ele capturasse um campo de visão e resolução que combinassem com o que um camundongo veria. A equipe gravou vídeos que o agente produziu enquanto navegava por vários ambientes, usando essas gravações para treinar sua rede neural profunda, o MouseNet.

Eles geraram oito conjuntos de dados de treinamento diferentes. Cada conjunto de dados era naturalista ou não naturalista com base em três categorias: o ambiente, as propriedades ópticas dos olhos do camundongo e como o camundongo se movia pelo ambiente. O estudo descobriu que essas diferenças afetaram significativamente o quanto a atividade do modelo se alinhava à do cérebro do camundongo.

Entre os três fatores estudados, o ambiente teve a maior e mais consistente influência. A atividade cerebral mais semelhante foi observada quando todas as três condições (ambiente, óptica e movimento) eram naturalistas. Curiosamente, enquanto o movimento naturalista geralmente diminuía a semelhança geral com o cérebro, melhorava a semelhança para uma área específica do cérebro conhecida por processar movimento.

Os pesquisadores buscavam entender quais diferenças específicas entre ambientes naturais e não naturais contribuíam para a variação na semelhança da atividade cerebral. Inicialmente, pensaram que propriedades estatísticas mais simples, como frequência, cor, orientação e correlações temporais, poderiam explicar as diferenças. No entanto, testes usando ambientes mais abstratos mostraram que essas propriedades não explicavam totalmente as diferenças de semelhança cerebral observadas entre os dois tipos de ambientes.

#Modelo do Córtex Visual

O modelo MouseNet é projetado para refletir de perto a anatomia do córtex visual do camundongo. Ele inclui várias camadas que correspondem a partes específicas do córtex visual. O design do modelo é baseado em dados neuroanatômicos disponíveis, garantindo que a estrutura da rede seja semelhante às verdadeiras vias de processamento visual encontradas em camundongos.

#Conjuntos de Dados de Treinamento

Usando o Unity, os pesquisadores criaram um agente de camundongo que poderia coletar gravações de vídeo em vários ambientes. Eles criaram duas câmeras que se pareciam com os olhos de um camundongo para capturar vídeo. Os vídeos foram gravados em uma resolução que combinava com a visão do camundongo e em uma taxa de quadros específica.

A equipe produziu versões tanto naturalistas quanto não naturalistas de três fatores que afetavam os estímulos visuais: o ambiente, a óptica dos olhos do camundongo e os padrões de movimento do camundongo. Ao experimentar várias combinações, eles criaram oito conjuntos de dados únicos representando diferentes condições de treinamento.

O ambiente natural incluía elementos como grama, árvores e pedras, enquanto o cenário artificial se parecia com uma espaçonave com paredes metálicas e luzes brilhantes. As propriedades visuais de como cada ambiente foi representado foram analisadas criticamente para entender seu impacto no desempenho do modelo.

#Movimento do Camundongo

Os pesquisadores desenvolveram dois modelos distintos de movimento para o agente de camundongo. O modelo artificial incluía movimentos gerais para frente e curvas simples, enquanto o modelo naturalista era baseado nos dados reais de movimento de um camundongo se movendo livremente. Esses dados foram coletados em um ambiente controlado e forneceram representações mais realistas do movimento do camundongo, permitindo que os pesquisadores criassem trajetórias diversificadas e complexas.

A equipe usou uma abordagem específica de modelagem para gerar trajetórias de movimento que se parecessem com a forma como os camundongos normalmente navegam em seus ambientes. Ao garantir que o modelo capturasse padrões de movimento mais naturais e complexos, os pesquisadores buscaram melhorar a capacidade do modelo de simular a atividade cerebral real.

#Ambientes Sintéticos

Para investigar melhor as diferenças de semelhança cerebral observadas, os pesquisadores criaram ambientes sintéticos consistindo completamente de formas geométricas simples. Eles buscavam fazer esses ambientes sintéticos combinarem com os ambientes naturais e artificiais com base em propriedades estatísticas chave.

Usando essa abordagem controlada, os pesquisadores puderam analisar sistematicamente como diferentes características visuais influenciavam a semelhança da atividade cerebral. Essa investigação visava esclarecer se características como frequência espacial, distribuição de cores e orientação poderiam ajudar a explicar por que o ambiente natural tinha um desempenho melhor em se alinhar com a atividade cerebral.

#Procedimento de Treinamento

O treinamento do MouseNet envolveu o uso de uma técnica conhecida como aprendizado auto-supervisionado. Basicamente, a rede aprende a prever os quadros futuros de vídeo com base nos quadros anteriores que já viu. Esse método permite que o modelo desenvolva uma compreensão profunda das estruturas ocultas dentro dos dados de entrada.

O processo de treinamento envolveu dividir os conjuntos de dados de vídeo em clipes menores e organizar esses clipes em lotes para a rede analisar. O modelo foi repetidamente treinado em cada conjunto de dados para melhorar seu aprendizado e ajustar suas previsões com base no desempenho da rede.

Após um treinamento extenso, os pesquisadores compararam as saídas da rede com dados reais de atividade cerebral coletados dos córtex visuais de camundongos. Eles usaram técnicas para calcular o quão bem a atividade do modelo se alinhar com os dados cerebrais registrados. Essa comparação visava medir o sucesso do modelo em imitar o verdadeiro processamento visual no cérebro do camundongo.

#Impacto das Propriedades do Estímulo

Os resultados do treinamento mostraram que os modelos se saíram bem, superando a chance aleatória em precisão de previsão. No entanto, os tipos de ambientes e padrões de movimento usados durante o treinamento afetaram quão precisamente o modelo refletiu a atividade cerebral real.

Condições com ambientes naturais levaram às maiores pontuações de semelhança em comparação com os artificiais. Isso implica que as características dos estímulos de treinamento têm um impacto significativo em como bem o modelo se alinha com a atividade cerebral. As descobertas mostraram que não apenas o ambiente natural melhorou a semelhança, mas também havia interações sutis entre os vários fatores que influenciaram o desempenho geral.

#Curso do Tempo Durante o Treinamento

Ao longo do processo de treinamento, mudanças tanto na precisão das previsões quanto no alinhamento do modelo com a atividade cerebral foram observadas. Os modelos exibiram uma diminuição na perda de previsão ao longo do tempo, indicando uma melhoria no desempenho. No entanto, as semelhanças com o cérebro não seguiram sempre uma tendência clara. Algumas áreas mostraram mudanças rápidas inicialmente, seguidas por estabilização, enquanto outras demonstraram flutuações ao longo do período de treinamento.

Isso levou à compreensão de que a conexão entre perda e semelhança é intrincada, dependente de uma variedade de fatores, incluindo as condições de treinamento. O curso do desenvolvimento da semelhança cerebral variou entre diferentes populações celulares, destacando a complexidade de alinhar as saídas do modelo com a verdadeira função cerebral.

#Conclusão

Em resumo, esta pesquisa investigou os efeitos de várias condições de treinamento na capacidade de uma rede neural profunda de modelar o processamento visual de camundongos. Por meio do uso de ambientes naturalistas e não naturalistas, juntamente com estatísticas de movimento realistas, o estudo revelou que o ambiente desempenhou um papel significativo em melhorar o alinhamento com a atividade cerebral do camundongo.

Os resultados indicam que criar uma rede profunda com características que reflitam experiências naturalistas pode aprimorar seu desempenho e compreensão da função cerebral. Pesquisas futuras buscam aprofundar nas propriedades dos ambientes que podem otimizar ainda mais a semelhança cerebral, permitindo melhores modelos de processamento visual no cérebro. As descobertas ajudarão a moldar nossa compreensão tanto da inteligência artificial quanto da neurociência, fornecendo insights sobre como desenvolver modelos que imitem melhor os sistemas de processamento visual do mundo real encontrados nos animais.