Мы пока мало знаем о мозге. Специалисты по коннектомике пытаются это исправить, анализируя структуру нейронных связей и составляя подробные «карты». Для этого они делают снимки нервной ткани в нанометровом разрешении и уже на них пытаются разглядеть отдельные синапсы. Недостатка в данных нет, а вот чтобы их обработать, нужна, казалось бы, целая вечность — из-за того, что разрешение настолько высокое, даже кубический миллиметр нервной ткани может превратиться в тысячу терабайт. Сотрудники Google и учёные из Института нейробиологии Общества Макса Планка (нем. Max-Planck-Institut für Neurobiologie) подумали: почему бы не привлечь к описанию одних нейронных сетей другие нейронные сети? И увеличили точность автоматической обработки информации на порядок.
Картирование отростков нервных клеток на снимках, полученных микроскопом, — пример задачи на сегментацию изображений. Традиционные алгоритмы выполняют этот процесс в два этапа: сначала находят границы между отростками с помощью детектора границ Кэнни или классификатора, а потом группируют вместе пиксели, которые границами не разделены (для этого применяют разрез графов или метод водораздела). Три года назад сотрудники Google нашли альтернативный подход. Их алгоритм начинает с определённого пикселя и в несколько итераций заполняет участок цветом — всё благодаря нейронной сети, которая предсказывает, какие пиксели являются частью того же самого объекта. С 2015 года инженеры улучшали точность нейронных сетей, тренируя их на крупных массивах данных.
Сотрудники Google и учёные из Института нейробиологии разработали систему показателей под названием expected run length (ERL, ожидаемая продолжительность выполнения). Она показывает, насколько далеко система сможет «отследить» нейрон, прежде чем ошибётся, если взять случайную точку в пределах случайного нейрона на снимке мозга.
Исследователи и программисты работали над картой коннектома одного кубического микрометра нервной ткани зебровой амадины. Когда недавно эффективность нейронных сетей оценили с помощью ERL, оказалось, что они на порядок точнее предыдущих технологий глубинного обучения, которые тестировали на том же наборе данных. Совсем без ошибок обойтись не удалось — их позже исправили люди — но работа была сделана. Теперь Google намерен довести этот процесс до полного автоматизма, чтобы ИИ справлялся сам. А пока они описали свой подход в статье в Nature Methods и выложили исходный код в открытый доступ.
