Моделирование эмоциональных состояний мозга на основе дофамино-серотониновой подсистемы нейронной импульсной сети
|
ВВЕДЕНИЕ 3
1. ТЕОРЕТИЧЕСКАЯ ОСНОВА ДЛЯ ПОНИМАЯ ПРИНЦИПОВ РАБОТЫ СИСТЕМЫ
ФОРМИРОВАНИЯ ЭМОЦИИ В БИОЛОГИЧЕСКОМ МОЗГУ 9
1.1. ГОЛОВНОЙ МОЗГ 9
1.2. БИОЛОГИЧЕСКИЙ НЕЙРОН 11
1.3. ПЕРЕДАЧА СИГНАЛОВ В БИОЛОГИЧЕСКИХ НЕЙРОСЕТЯХ 14
1.3.1. НЕРВНЫЙ ИМПУЛЬС И ПОТЕНЦИАЛ ДЕЙСТВИЯ 14
1.3.2. ТИПЫ РЕЦЕПТОРОВ МЕМБРАНЫ 18
1.3.3. ВЫВОД. 22
1.4. НЕЙРОМЕДИАТОРЫ И НЕЙРОМОДУЛЯТОРЫ 23
1.5. СЕРОТОНИН И ЕГО ФУНКЦИИ В БИОЛОГИЧЕСКОЙ НЕЙРОННОЙ СЕТИ ... 25
1.5.1. ЦЕНТРЫ ЭМИССИИ СЕРОТОНИНА 28
1.6. ДОФАМИН И ЕГО ФУНКЦИИ В БИОЛОГИЧЕСКОЙ НЕЙРОННОЙ СЕТИ 29
1.7. ИМПУЛЬСНЫЕ НЕЙРОННЫЕ СЕТИ 32
1.8. ВЫВОДЫ ПО ГЛАВЕ 1 36
2. СИМУЛЯЦИЯ ЭМОЦИОНАЛЬНЫХ СОСТОЯНИЙ В ВЫЧИСЛИТЕЛЬНОЙ
СИСТЕМЕ 38
2.1. NEST (NEural Simulation Tool) 38
2.2. ОПИСАНИЕ МОДЕЛИ ВЗАИМОДЕЙСТВИЯ СЕРОТОНИНОВОЙ И
ДОФАМИНОВОЙ ПОДСИСТЕМ 40
2.3. СИМУЛЯЦИЯ НЕЙРОНАЛЬНОЙ АКТИВНОСТИ 43
2.4. РЕЗУЛЬТАТЫ СИМУЛЯЦИИ 44
2.4. ВЫВОДЫ ПО ГЛАВЕ 2 46
ЗАКЛЮЧЕНИЕ 48
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. ТЕОРЕТИЧЕСКАЯ ОСНОВА ДЛЯ ПОНИМАЯ ПРИНЦИПОВ РАБОТЫ СИСТЕМЫ
ФОРМИРОВАНИЯ ЭМОЦИИ В БИОЛОГИЧЕСКОМ МОЗГУ 9
1.1. ГОЛОВНОЙ МОЗГ 9
1.2. БИОЛОГИЧЕСКИЙ НЕЙРОН 11
1.3. ПЕРЕДАЧА СИГНАЛОВ В БИОЛОГИЧЕСКИХ НЕЙРОСЕТЯХ 14
1.3.1. НЕРВНЫЙ ИМПУЛЬС И ПОТЕНЦИАЛ ДЕЙСТВИЯ 14
1.3.2. ТИПЫ РЕЦЕПТОРОВ МЕМБРАНЫ 18
1.3.3. ВЫВОД. 22
1.4. НЕЙРОМЕДИАТОРЫ И НЕЙРОМОДУЛЯТОРЫ 23
1.5. СЕРОТОНИН И ЕГО ФУНКЦИИ В БИОЛОГИЧЕСКОЙ НЕЙРОННОЙ СЕТИ ... 25
1.5.1. ЦЕНТРЫ ЭМИССИИ СЕРОТОНИНА 28
1.6. ДОФАМИН И ЕГО ФУНКЦИИ В БИОЛОГИЧЕСКОЙ НЕЙРОННОЙ СЕТИ 29
1.7. ИМПУЛЬСНЫЕ НЕЙРОННЫЕ СЕТИ 32
1.8. ВЫВОДЫ ПО ГЛАВЕ 1 36
2. СИМУЛЯЦИЯ ЭМОЦИОНАЛЬНЫХ СОСТОЯНИЙ В ВЫЧИСЛИТЕЛЬНОЙ
СИСТЕМЕ 38
2.1. NEST (NEural Simulation Tool) 38
2.2. ОПИСАНИЕ МОДЕЛИ ВЗАИМОДЕЙСТВИЯ СЕРОТОНИНОВОЙ И
ДОФАМИНОВОЙ ПОДСИСТЕМ 40
2.3. СИМУЛЯЦИЯ НЕЙРОНАЛЬНОЙ АКТИВНОСТИ 43
2.4. РЕЗУЛЬТАТЫ СИМУЛЯЦИИ 44
2.4. ВЫВОДЫ ПО ГЛАВЕ 2 46
ЗАКЛЮЧЕНИЕ 48
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
За последние десять лет, благодаря достижениям науки в области искусственного интеллекта и развитию вычислительных систем, роботы научились передвигаться самостоятельно (Atlas от Boston Dynamics), а робомобили достигли третьего уровня автономности. Одни компьютерные программы обыгрывают людей в настольные игры (AlphaGo от DeepMind), а другие делают успехи в поиске лекарств от болезней, многие из которых до сих пор считаются неизлечимыми (AtomNet от AtomWise).
На горизонте ближайших десятилетий (10-20 лет) по словам таких футурологов, как Рэй Курцвейл и Бен Герцель, нас ждет появление полностью автономного транспорта, расцвет систем искусственного интеллекта и наступление сингулярности.
Очевидно, что тема искусственного интеллекта невероятно актуальна на сегодняшний день, и хорошо просматривается тренд на повсеместное внедрение интеллектуальных систем в нашу жизнь, от кухонных чайников до космических кораблей.
Несмотря на колоссальные успехи последних лет в машинном обучении, анализе данных и робототехнике, у большинства существующих подходов есть несколько существенных недостатков: используемые модели не динамичны, плохо масштабируются и не справляются с экстраполяцией данных.
Множество ученых по всему миру занимается решением этих проблем, существует множество подходов к решению подобных задач.
Некоторые из них, в своих исследованиях, попытались вернулись к истокам самого замысла искусственного интеллекта, к его биологическому началу.
Такой подход к проектированию интеллектуальных систем основанный на их биологических аналогах, можно назвать биоинспирированным, а сами системы биоинспирированными системами.
Наш мозг прекрасно справляется с динамическими задачи, где на первую роль выходят скорость принятия решений, самоадаптация и самообучение. Он также отлично решает задачи с неполной информацией и прекрасно справляется с экстраполяцией разнообразных моделей [1].
Ученые выяснили, что во многом эти способности мозга обусловлены механизмом, отвечающим за формирование наших эмоций.
Известный американский исследователь в сфере искусственного интеллекта Марвин Минский в своей книге «The Emotion Machine» выделяет важность компонента эмоций в формировании так называемого «сильного» искусственного интеллекта с зачатками самосознания [2].
Его идеи находят подтверждения и в исследования других ученых.
Так, выделяют следующие функции эмоций в процессе формирования наших суждений и принятии решений:
1. Повышение скорости принятия решении: важно принимать правильные и обоснованные решения, но не менее важно делать это быстро, так голод, гнев и страх заставляют мозг принимать решения быстрее. [3]
2. Быстрый поиск информации: любая информация, поступающая в наш мозг, проходит через его эмоциональные центры. Они окрашивают ее в один или несколько эмоциональных оттенков, своего рода добавляя к ней метаинформацию. В дальнейшем, это существенно ускоряет ее поиск и влияет на скорость и процесс принятия решений. [3]
3. Оценка актуальности информации: эмоции помогают решить, сохраняют ли определенные элементы решения свою актуальность в конкретной ситуации. Сюда входит как жизненный опыт, так и эмоциональное состояние человека. Примером могут послужить: сожаление и разочарование. [3]
4. Социальные обязательства: не стоит забывать, что человек, как существо высоко социальное, принимает решения не только на понятии собственной выгоды, но и оценивает его последствия по отношению к внешнему окружению. Это иногда называют совестью или моралью, но это то, что помогает людям уживаться друг с другом. Такие эмоции, как вина и любовь, помогают нам принимать «социально ответственные» решения. [3]
В XIX веке Ч.Дарвин сформулировал теорию существования позитивных и негативных аффектов, усиливающих любую реакцию, будь то когнитивная или моторная реакции.
Аффект - это ощущение чувств и эмоций.
Аффекты - ключевая часть процесса взаимодействия организма с внешними стимулами. Часто под аффектами подразумевают и их внешнюю составляющую. Например, радость - это аффект, радость влияет на появление улыбки.
Позднее, в своей работе «Что представляют и где локализованы первичные аффекты? Некоторые свидетельства в пользу теории.» (1964) Сильвано Томкинс и Р.Мак-Картер развили эту идею далеко за пределы исходных предположении Ч.Дарвина.
С.Томкинс утверждал, что аффект - это первичная реакция лицевой, висцеральной и моторной мускулатуры, управляемая генетическими биологическими программами, закрепленными в центральной нервной системе. Эти программы запускаются нейронными возбуждениями различной степени.
С.Томкинс в ходе своих наблюдений выделил один дополнительный аффект, который не описал Ч.Дарвин, это аффект - интерес (возбуждение). С.Томкинс предположил, что Ч.Дарвин не стал выделять его как отдельный аффект, так как относил его к мыслительной функции.
Он также разработал шкалу интенсивности врожденных аффектов от слабого до сильного.
Результатом его работы стала система из 8 групп аффектов человека: интерес -возбуждение, удовольствие-радость, удивление-испуг, страх-ужас, боль-страдание, гнев-ярость, стыд-унижение, презрение и отвращение
В 2012 году Хуго Лёвхеймом была предложена теоретическая модель, дающая физиологическое объяснение нашим эмоциям.
Трехмерная модель куба Х.Лёвхейма, основанная на 8 аффектах С.Томкинса, связывает концентрацию нейромодуляторов и степень состояния аффекта, где каждое из измерений определяется концентрацией одного из трех нейромодуляторов (серотонина, дофамина, норадреналина).
Например, повышенный уровень дофамина и серотонина приводит мозг в состояние радости и счастья, а повышенный уровень дофамина на фоне сниженного серотонина вызывает состояние ужаса и страха.
Данная работа базируется на, описанной в статье «Neuromodulating Cognitive Architecture: Towards Biomimetic Emotional AI», 2015, новой модели когнитивной архитектуры, основанной на нейромодуляции [4].
По нашему мнению, вычислительные системы должны стать гибкими, должны самоадаптироваться, самообучаться и саморазвиваться, по принципам человеческого мозга. Таким образом, механизм эмоций критически важен для систем искусственного интеллекта.
Актуальность данной работы обусловлена еще и тем, что создание искусственного интеллекта с зачатками самосознания, может навсегда решить многие настоящие и будущие проблемы, это ознаменует переломный момент в истории человечества, но, пока, еще слишком мало сделано в этом направлении и многие темы требуют глубокого изучения и анализа.
В рамках работы в лаборатории машинного понимания Высшей школы ИТИС, ведутся исследования по направлению Affective Computing - воспроизведению человеческих эмоций в вычислительных машинах.
Гипотеза данной работы состоит в том, что на основе результатов симуляций дофамино-серотониновой подсистемы нейронной импульсной сети мозга мы сможем вывести их совместное влияние на параметры вычислительной системы, такие, как вычислительная мощность, обучение и мотивация системы.
Объектом исследования является воссоздание эмоций в вычислительной архитектуре.
Целью дипломной работы является приближение к воспроизведению человеческих эмоций в вычислительных машинах, за счет симуляция эмоциональных состоянии с помощью нейромодуляции парой моноаминовых нейромедиаторов, а именно серотонином и дофамином и последующий анализ полученных данных.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить механизм работы биологической нейронной сети;
2. Изучить спайковые нейронные сети в качестве модели для биоинспирированной нейронной сети;
3. Настроить высокоуровневую модель распространения серотонина и дофамина в биологическом мозге крысы, на основе последних результатов исследований в нейробиологии;
4. Провести пробную симуляцию дофамино-серотониновой подсистемы во фреймворке «Nest Initiative»;
5. Проанализировать данные дофамино-серотониновой
нейромодуляции;
6. Построить тепловую карту влияния дофамино -серотониновой нейромодуляции на производительность нейронной сети.
На горизонте ближайших десятилетий (10-20 лет) по словам таких футурологов, как Рэй Курцвейл и Бен Герцель, нас ждет появление полностью автономного транспорта, расцвет систем искусственного интеллекта и наступление сингулярности.
Очевидно, что тема искусственного интеллекта невероятно актуальна на сегодняшний день, и хорошо просматривается тренд на повсеместное внедрение интеллектуальных систем в нашу жизнь, от кухонных чайников до космических кораблей.
Несмотря на колоссальные успехи последних лет в машинном обучении, анализе данных и робототехнике, у большинства существующих подходов есть несколько существенных недостатков: используемые модели не динамичны, плохо масштабируются и не справляются с экстраполяцией данных.
Множество ученых по всему миру занимается решением этих проблем, существует множество подходов к решению подобных задач.
Некоторые из них, в своих исследованиях, попытались вернулись к истокам самого замысла искусственного интеллекта, к его биологическому началу.
Такой подход к проектированию интеллектуальных систем основанный на их биологических аналогах, можно назвать биоинспирированным, а сами системы биоинспирированными системами.
Наш мозг прекрасно справляется с динамическими задачи, где на первую роль выходят скорость принятия решений, самоадаптация и самообучение. Он также отлично решает задачи с неполной информацией и прекрасно справляется с экстраполяцией разнообразных моделей [1].
Ученые выяснили, что во многом эти способности мозга обусловлены механизмом, отвечающим за формирование наших эмоций.
Известный американский исследователь в сфере искусственного интеллекта Марвин Минский в своей книге «The Emotion Machine» выделяет важность компонента эмоций в формировании так называемого «сильного» искусственного интеллекта с зачатками самосознания [2].
Его идеи находят подтверждения и в исследования других ученых.
Так, выделяют следующие функции эмоций в процессе формирования наших суждений и принятии решений:
1. Повышение скорости принятия решении: важно принимать правильные и обоснованные решения, но не менее важно делать это быстро, так голод, гнев и страх заставляют мозг принимать решения быстрее. [3]
2. Быстрый поиск информации: любая информация, поступающая в наш мозг, проходит через его эмоциональные центры. Они окрашивают ее в один или несколько эмоциональных оттенков, своего рода добавляя к ней метаинформацию. В дальнейшем, это существенно ускоряет ее поиск и влияет на скорость и процесс принятия решений. [3]
3. Оценка актуальности информации: эмоции помогают решить, сохраняют ли определенные элементы решения свою актуальность в конкретной ситуации. Сюда входит как жизненный опыт, так и эмоциональное состояние человека. Примером могут послужить: сожаление и разочарование. [3]
4. Социальные обязательства: не стоит забывать, что человек, как существо высоко социальное, принимает решения не только на понятии собственной выгоды, но и оценивает его последствия по отношению к внешнему окружению. Это иногда называют совестью или моралью, но это то, что помогает людям уживаться друг с другом. Такие эмоции, как вина и любовь, помогают нам принимать «социально ответственные» решения. [3]
В XIX веке Ч.Дарвин сформулировал теорию существования позитивных и негативных аффектов, усиливающих любую реакцию, будь то когнитивная или моторная реакции.
Аффект - это ощущение чувств и эмоций.
Аффекты - ключевая часть процесса взаимодействия организма с внешними стимулами. Часто под аффектами подразумевают и их внешнюю составляющую. Например, радость - это аффект, радость влияет на появление улыбки.
Позднее, в своей работе «Что представляют и где локализованы первичные аффекты? Некоторые свидетельства в пользу теории.» (1964) Сильвано Томкинс и Р.Мак-Картер развили эту идею далеко за пределы исходных предположении Ч.Дарвина.
С.Томкинс утверждал, что аффект - это первичная реакция лицевой, висцеральной и моторной мускулатуры, управляемая генетическими биологическими программами, закрепленными в центральной нервной системе. Эти программы запускаются нейронными возбуждениями различной степени.
С.Томкинс в ходе своих наблюдений выделил один дополнительный аффект, который не описал Ч.Дарвин, это аффект - интерес (возбуждение). С.Томкинс предположил, что Ч.Дарвин не стал выделять его как отдельный аффект, так как относил его к мыслительной функции.
Он также разработал шкалу интенсивности врожденных аффектов от слабого до сильного.
Результатом его работы стала система из 8 групп аффектов человека: интерес -возбуждение, удовольствие-радость, удивление-испуг, страх-ужас, боль-страдание, гнев-ярость, стыд-унижение, презрение и отвращение
В 2012 году Хуго Лёвхеймом была предложена теоретическая модель, дающая физиологическое объяснение нашим эмоциям.
Трехмерная модель куба Х.Лёвхейма, основанная на 8 аффектах С.Томкинса, связывает концентрацию нейромодуляторов и степень состояния аффекта, где каждое из измерений определяется концентрацией одного из трех нейромодуляторов (серотонина, дофамина, норадреналина).
Например, повышенный уровень дофамина и серотонина приводит мозг в состояние радости и счастья, а повышенный уровень дофамина на фоне сниженного серотонина вызывает состояние ужаса и страха.
Данная работа базируется на, описанной в статье «Neuromodulating Cognitive Architecture: Towards Biomimetic Emotional AI», 2015, новой модели когнитивной архитектуры, основанной на нейромодуляции [4].
По нашему мнению, вычислительные системы должны стать гибкими, должны самоадаптироваться, самообучаться и саморазвиваться, по принципам человеческого мозга. Таким образом, механизм эмоций критически важен для систем искусственного интеллекта.
Актуальность данной работы обусловлена еще и тем, что создание искусственного интеллекта с зачатками самосознания, может навсегда решить многие настоящие и будущие проблемы, это ознаменует переломный момент в истории человечества, но, пока, еще слишком мало сделано в этом направлении и многие темы требуют глубокого изучения и анализа.
В рамках работы в лаборатории машинного понимания Высшей школы ИТИС, ведутся исследования по направлению Affective Computing - воспроизведению человеческих эмоций в вычислительных машинах.
Гипотеза данной работы состоит в том, что на основе результатов симуляций дофамино-серотониновой подсистемы нейронной импульсной сети мозга мы сможем вывести их совместное влияние на параметры вычислительной системы, такие, как вычислительная мощность, обучение и мотивация системы.
Объектом исследования является воссоздание эмоций в вычислительной архитектуре.
Целью дипломной работы является приближение к воспроизведению человеческих эмоций в вычислительных машинах, за счет симуляция эмоциональных состоянии с помощью нейромодуляции парой моноаминовых нейромедиаторов, а именно серотонином и дофамином и последующий анализ полученных данных.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить механизм работы биологической нейронной сети;
2. Изучить спайковые нейронные сети в качестве модели для биоинспирированной нейронной сети;
3. Настроить высокоуровневую модель распространения серотонина и дофамина в биологическом мозге крысы, на основе последних результатов исследований в нейробиологии;
4. Провести пробную симуляцию дофамино-серотониновой подсистемы во фреймворке «Nest Initiative»;
5. Проанализировать данные дофамино-серотониновой
нейромодуляции;
6. Построить тепловую карту влияния дофамино -серотониновой нейромодуляции на производительность нейронной сети.
Эмоциональные вычисления сравнительно молодое направление в науке.
Одним из первых о них заговорила профессор Массачусетского технологического института Розалинд Пикард. Ее книга Affective Computing вдохновила многие команды по всему миру начать исследования в области эмоциональных вычислений.
По мнению Пикард эмоциональные технологии предназначены для измерения и объяснения эмоциональной информации.
Эмоции интересны не столько сами по себе, сколько их влияние на все стороны человеческого сознания память, обучение, уровень социализации [33].
Основной целью данной работы было изучить физиологию формирования эмоций, провести симуляцию дофамино -серотониновой подсистемы, и найти корреляцию между ними.
Результатами симуляции стали графики, показывающие активность структур головного мозга, и совместное влияние серотонина и дофамина на нейроморфную модель, которые показывают ожидаемое влияния серотонина и дофамина на участок мозга.
Результаты работы могут быть использованы в ходе дальнейших исследований, а также в настройке сети и ее обучении.
Эта работа является частью большого проекта в рамках лаборатории «Машинного понимания высшей школы ИТИС» по созданию эмоциональных машин и машинного сознания.
В процессе выполнения дипломной работы был проведен анализ научной литературы в области нейробиологии и нейронных сетей. Благодаря прогрессу в этих областях и последним открытиям в нейробиологии появилась возможность собрать более полную картину происходящих в мозгу процессов, что позволило построить модель и проверить ее работоспособность.
В будущем данную технологию можно будет применить в большинстве интеллектуальных систем. Это позволит им не только обучаться на своих ошибках, быстрее принимать решения, находить решения задач с неполной информацией и сделает роботов и виртуальных ассистентов более дружелюбными, и более похожими на нас, но и, возможно, послужит основой для формирования машинного сознания в новом витке развития искусственного интеллекта.
Одним из первых о них заговорила профессор Массачусетского технологического института Розалинд Пикард. Ее книга Affective Computing вдохновила многие команды по всему миру начать исследования в области эмоциональных вычислений.
По мнению Пикард эмоциональные технологии предназначены для измерения и объяснения эмоциональной информации.
Эмоции интересны не столько сами по себе, сколько их влияние на все стороны человеческого сознания память, обучение, уровень социализации [33].
Основной целью данной работы было изучить физиологию формирования эмоций, провести симуляцию дофамино -серотониновой подсистемы, и найти корреляцию между ними.
Результатами симуляции стали графики, показывающие активность структур головного мозга, и совместное влияние серотонина и дофамина на нейроморфную модель, которые показывают ожидаемое влияния серотонина и дофамина на участок мозга.
Результаты работы могут быть использованы в ходе дальнейших исследований, а также в настройке сети и ее обучении.
Эта работа является частью большого проекта в рамках лаборатории «Машинного понимания высшей школы ИТИС» по созданию эмоциональных машин и машинного сознания.
В процессе выполнения дипломной работы был проведен анализ научной литературы в области нейробиологии и нейронных сетей. Благодаря прогрессу в этих областях и последним открытиям в нейробиологии появилась возможность собрать более полную картину происходящих в мозгу процессов, что позволило построить модель и проверить ее работоспособность.
В будущем данную технологию можно будет применить в большинстве интеллектуальных систем. Это позволит им не только обучаться на своих ошибках, быстрее принимать решения, находить решения задач с неполной информацией и сделает роботов и виртуальных ассистентов более дружелюбными, и более похожими на нас, но и, возможно, послужит основой для формирования машинного сознания в новом витке развития искусственного интеллекта.