一种新的大型视觉皮层虚拟模型在解决视觉任务方面非常成功

人脑计划的研究人员已经训练了老鼠初级视觉皮层的大规模模型，以高度稳健的方式解决视觉任务。该模型为新一代神经网络模型提供了基础。由于它们的多功能性和节能处理，这些模型可以促进神经形态计算的进步。

对大脑进行建模可以对人工智能(AI)产生巨大影响：由于大脑以比人工网络更节能的方式处理图像，因此科学家们从神经科学中汲取灵感来创建功能与生物网络相似的神经网络。节约能源。

从这个意义上说，受大脑启发的神经网络可能会对未来的技术产生影响，因为它可以作为更节能的神经形态硬件中视觉处理的蓝图。现在，来自格拉茨科技大学(奥地利)的人脑计划(HBP)研究人员进行的一项研究表明，基于大型数据的模型如何以一种通用且准确的方式再现大脑的许多视觉处理能力。结果发表在《科学进展》杂志上。

在HBP与软件公司Nvidia合作开发的Jülich超级计算中心的PCPPilotSystems的帮助下，该团队分析了可以解决多个视觉处理任务的小鼠初级视觉皮层的生物详细大型模型.该模型为视觉皮层区域V1提供了目前可用的解剖细节和神经生理学数据的最大集成，这是第一个接收和处理视觉信息的皮层区域。

该模型采用与当前AI中使用的深度神经网络不同的架构构建，研究人员发现，与AI中常用的视觉处理模型相比，它在学习速度和视觉处理性能方面具有有趣的优势。

该模型能够以高精度解决团队提出的所有五项视觉任务。例如，这些任务涉及对手写数字的图像进行分类或检测一长串图像中的视觉变化。引人注目的是，即使研究人员在图像和网络中对模型进行训练期间未遇到的噪声，虚拟模型也能实现与大脑相同的高性能。

该模型具有出色的鲁棒性——或者它能够处理错误或意外输入(例如图像中的噪声)的能力——的一个原因是它再现了大脑的几个特征编码特性。

在开发了一种用于研究大脑式视觉处理和神经编码的独特工具后，作者将他们的新模型描述为提供了一个“前所未有的了解该大脑区域动态的窗口”。