神經(jīng)科學(xué)是如何受益于分布式計算的？ 神經(jīng)科學(xué)如何為計算帶來啟示？
當(dāng)我們提到大數(shù)據(jù)，我們通常想到的網(wǎng)站：十億社交媒體的用戶，數(shù)以百萬計的手機感應(yīng)器，成千上萬的維基百科的貢獻詞條等等。由于最近的創(chuàng)新，網(wǎng)絡(luò)級數(shù)據(jù)現(xiàn)在也可以來自一個小但非常復(fù)雜的對象——大腦。分布式計算的新進展正在改變神經(jīng)科學(xué)家處理結(jié)果數(shù)據(jù) 的方式，并可能在這個過程中，改變我們對計算的看法。
大腦由許多神經(jīng)元組成，一只蒼蠅或斑馬魚幼體有十萬的神經(jīng)元，老鼠有數(shù)百萬的神經(jīng)元，人有數(shù)十億的神經(jīng)元。其功能依賴于神經(jīng)元的活動以及它們彼此如何溝通。長期以來，神經(jīng)活動的記錄一度僅限于少數(shù)的神經(jīng)元，但最近的一些進步使我們能夠監(jiān)測整個成千上萬個神經(jīng)元，在某些情況下（如斑馬魚幼蟲），甚至是整個大腦的反應(yīng)。
許多這些方法是光學(xué)方法：動物被基因工程改造以使它們的神經(jīng)元的字面點亮?xí)r的這些活動模式顯微鏡捕獲圖像的活性，以及動物表現(xiàn)出不同的行為。由此產(chǎn)生的數(shù)據(jù)到達每小時TB級，對分析和理解提出了重大挑戰(zhàn)。它們需要兩個低層次處理（“munging”）和高級別分析。因此，我們要用多種方式查看每個數(shù)據(jù)集，如有關(guān)動物行為或?qū)嶒灥纳窠?jīng)反應(yīng)方面，或通過識別大量的的相關(guān)活動模式。我們永遠(yuǎn)無法提前知道答案，有時我們甚至不知道從哪里開始。
我們需要探索大型數(shù)據(jù)集以及開發(fā)新分析的靈活性的互動工具。到現(xiàn)在為止，單一的工作站解決方案，如在一個功能強大的機器上運行Matlab，已經(jīng)成為神經(jīng)科學(xué)的標(biāo)準(zhǔn)，但這些解決方案擴展很差。在分布式計算替換中，我們發(fā)現(xiàn)Apache Spark的平臺提供了核心優(yōu)勢。首先，Spark的抽象的內(nèi)存緩存使得夠在數(shù)秒或數(shù)分鐘內(nèi)迅速找到大型數(shù)據(jù)集，加速了數(shù)據(jù)探索。其次，Spark提供在Scala、Java和Python中強大，靈活，直觀的API。 Python的API是 特別有吸引力，因為它可以讓我們結(jié)合Spark與各種現(xiàn)有的Python工具進行科學(xué)計算（NumPy，SciPy和scikit-learn）和可視化（matplotlib，seaborn，mpld3）。
用Spark為大型計算平臺，我們正在開發(fā)名為迅雷的開放資源庫來模塊式地表達、分析Python常用工作流的時空數(shù)據(jù)。（這個庫以及應(yīng)用實例，在最近同米沙阿倫斯實驗室合作發(fā)表的論文中被提及。）
通過將大腦反應(yīng)與外部世界屬性相聯(lián)系，很多分析建立了大腦的統(tǒng)計“映射”。比如，斑馬魚呈現(xiàn)了正朝著不同的方向的模式，我們可以計算出一個抓住了每個神經(jīng)元的反應(yīng)呈現(xiàn)出不同的方向的映射。這很像投票取向映射——人民投票支持的候選人，神經(jīng)投票支持方向。在另一個例子中，我們比較了神經(jīng)元對動物的游泳的反應(yīng)，發(fā)現(xiàn)當(dāng)動物在游泳時，腦部的大部分反應(yīng)激烈，但另一部分在不游泳時反應(yīng)激烈，這些神經(jīng)元的功能仍然是個謎。
這種映射是靜態(tài)的，但我們的數(shù)據(jù)基本上是動態(tài)的，因為神經(jīng)元活性隨時間變化。一系列基于降維（這里審查）的方法從高維時間序列數(shù)據(jù)開始，恢復(fù)低維表示，用于捕獲關(guān)鍵動態(tài)特性，盡管用的是簡單的形式。這些一次性檢查了全部數(shù)據(jù)的分析特別依賴于分布式計算。
我們的長期目標(biāo)是要利用這些技術(shù)來揭示神經(jīng)編碼原則。大多數(shù)神經(jīng)科學(xué)家認(rèn)為，大腦的計算引擎非常有效，比一臺筆記本電腦消耗的能量少，切能夠在毫秒內(nèi)識別目標(biāo)，定位一個充滿障礙的環(huán)境，并協(xié)調(diào)復(fù)雜的運動計劃。了解這些功能將反過來刺激人工智能的進步的想法由來已久。實際上，所謂的神經(jīng)網(wǎng)絡(luò)，包括最近的深信念網(wǎng)絡(luò)熱潮，大腦結(jié)構(gòu)的模擬物：它們由許多彼此傳遞信號的類似“神經(jīng)細(xì)胞”的節(jié)點建立。有些網(wǎng)絡(luò)解決任務(wù)，如對象和語音識別，以及令人印象深刻。
但是，這些網(wǎng)絡(luò)和現(xiàn)實的大腦之間仍存在著顯著差距。在大多數(shù)的人工網(wǎng)絡(luò)中，每個節(jié)點本質(zhì)上不一樣，任何時候我們都能看到大腦的多樣性。成百上千種不同的神經(jīng)元，具有不同的形態(tài)，功能，連接模式，以及溝通的方式。真正的生物不解決只是一個有明確目標(biāo)（如人臉識別）、非常具體的任務(wù)。它們靈活地同一個動態(tài)的、不斷變化的世界進行互動。這種神經(jīng)多樣性的作用與生物計算的基本原則仍是一個謎。但大量的努力，映射整個神經(jīng)系統(tǒng)的活動，以及有系統(tǒng)地表征神經(jīng)元形態(tài)和解剖連通，將有助于鋪平解決問題的道路。
在短期，可能還有另一種神經(jīng)科學(xué)的研究方法會影響計算，數(shù)據(jù)挖掘和人工智能。數(shù)據(jù)神經(jīng)學(xué)家正在進行收集，與其它數(shù)據(jù)進行對抗，不僅是在規(guī)模上，而且在復(fù)雜性上。神經(jīng)科學(xué)會越來越受益于更廣泛的數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的社區(qū)。例如，我們的映射分析類似于從大的衛(wèi)星圖像數(shù)據(jù)或地理統(tǒng)計學(xué)習(xí)功能。而且，只要我們的數(shù)據(jù)是時間序列的集合，它們會像網(wǎng)站上隨時間變化的用戶統(tǒng)計數(shù)據(jù)或出現(xiàn)在我們的身體的傳感器和我們家里的信號。
不管是什么來源，科學(xué)家們在不同層面都面臨著類似的挑戰(zhàn)——前處理、分布式管道、算法模式發(fā)現(xiàn)和可視化，我越來越相信我們可以，而且應(yīng)該，開始一起解決這些問題。
京公網(wǎng)安備 11010502049343號