猴子一系列计算机生成的图像，并且同时记录了动物的脑细胞活动使深机器学习系统，以产生斜坡上升细胞新图像激励，如在今天发表了两篇论文(5月2日)的细胞和科学。

“这令人兴奋，因为它正在拓展深度学习和神经科学领域。。。试图了解大脑不同部位的代表情况，“贝勒医学院的神经科学家安德烈亚斯托利亚斯说，他没有参与任何一项研究，但在小鼠身上进行了类似的实验。“我认为这些方法及其进一步发展可以为我们打开大脑的黑匣子提供更系统的方式，”他说。

感知神经科学的目标是准确了解哪些刺激激活了哪些脑细胞。在灵长类视觉系统中，已知视觉皮层和下颞皮质(两个关键视觉区域)中的某些神经元优先响应某些刺激 - 例如颜色，特定运动方向，曲线甚至面部。但是，圣路易斯华盛顿大学医学院的神经科学家卡洛斯庞塞说，他是该小组的共同作者论文，“问题是，我们从来都不知道，在我们选择的图片中，我们是否拥有细胞真正编码的秘密真实图像。”他建议，也许，一个细胞没有对脸部做出反应，但是在脸上发现的特征和形状的排列也可以在其他图像中找到。有无数可用的图像，“它不可能测试所有这些，”他说。简而言之，不可能确定最大程度地激活给定神经元的确切视觉刺激。

庞西说：“过去50年来，我们一直陷入困境，无法解决这个问题。”机器学习的最新进展，特别是生成对抗网络(GAN)的开发，现在已经实现了解决方案。

GAN是神经网络，庞塞说，“可以通过视觉世界并在自己的内部抽象中重现它。”也就是说，它们可以基于提供给它们的示例图像生成无数种逼真和抽象的图像。

“我们想，为什么我们不采用这个可以模拟世界的神奇网络，并以某种方式将其连接到实际猴子大脑中的神经元，”庞塞说，通过向网络反馈有关哪些图像激活的信息神经元最有效，网络可以调整图像以进一步提高活动 - 从而发现细胞编码的难以捉摸的“秘密真实图像”。

为此，庞塞的研究小组将微电极阵列植入六只猴子的下颞叶皮质中，这是一个略高于耳朵后方的区域，用于记录视觉神经元的活动。然后，他们向动物展示了由GAN产生的40个随机图像，并鉴定了在给定神经元或神经元组中诱导最多活动的10个图像。研究人员将这些图像通过遗传算法 - 基本上重新组合像素 - 来创建30个相似的图像，然后将这些图像与原始的前10个图像一起显示给猴子。在一到三个小时内将该循环重复多达250次，直到动物不再看图像。作为控件，团队还包括人物，地点和简单线条图的自然图像。

这个进化过程产生的图像是物体，形状和颜色的混合物，其中一些与猴子或动物处理者的脸部有相似之处。重要的是，当在不同的日子对同一动物中的​​相同神经元重复这种图像演变时，出现了类似的图像。

“从这雾中看到一个像脸的物体盯着你，当你知道这个图像来自猴子的大脑时，可能是我在科学中最神奇的体验之一，”庞塞说。

研究小组发现，随着图像的进化，它们更强烈地刺激了引导进化的细胞。“[进化图像]驱动这些神经元比原始图像或刺激神经元的自然图像好两倍，或者好三倍”，因此这是一个巨大的影响，“艾伦脑科学研究所的神经科学家Christof Koch说。没参与任何一个项目。“令人惊讶的是它的表现非常好。”

事实上，“这两篇论文都表明，这些技术可以比以前的标准图像更高的容量驱动神经元，”麻省理工学院James DiCarlo实验室的神经科学博士后Kohitij Kar说道，他指的是庞塞的研究和他自己的科学研究。

Kar和他的同事的方法也是用植入的微电极阵列向猴子展示神经网络生成的图像。然而，在该团队的案例中，目标是测试网络的强度作为视觉系统的模型。

虽然神经网络通常被认为是大脑视觉系统的一个很好的模型 - 实际上，它们的架构是基于神经回路 - 但它们的功能相似性测试有限。

从这雾中看到一个像脸的物体盯着你，当你知道这个图像是来自猴子的大脑时，可能是我在科学中最神奇的体验之一。

-Carlos Ponce，华盛顿大学圣路易斯医学院

为了解决这个问题，Kar及其同事向猴子和神经网络展示了相同的图像集，并将响应给定图像而发射的特定神经元与网络中特定单位(数学函数)的输出相关联。利用这些相关信息，网络根据自己的数学函数制作了新的图像，预测它们可以增强动物大脑中相应神经元的活动。

“如果人工神经网络中的这些单位和大脑中的[神经元]正在做同样的事情，那么他们应该以相同的方式回应相似的图像，”科学论文的合着者Pouya Bashivan解释说，他也是博士后在DiCarlo的实验室里。

果然，“我们在大约70%的时间里表明，通过遵循这个程序，我们可以将神经反应拉伸到比我们在自然图像上看到的更高，”Bashivan说。该团队希望通过进一步改进模型来提高未来的速度。

“我认为我们正在走向未来。。。有一天神经网络将成为大脑的优秀模型，“庞塞说，”但我们需要获得更多有关实际大脑如何工作的信息，以试图为未来神经网络的发展提供信息。“

科赫说，这是一个循环过程。“大脑是神经网络的灵感来源。神经网络现在比50年前更加强大，实际上它们与我们相媲美。。。不仅如此，他们还帮助我们了解我们头脑中更为复杂的网络。“