开发可解释的深度模型,以发现神经动力学的新控制机制

科学领域:

• 计算神经科学是一种计算神经科学.
• 系统生物学 系统生物学
• 人工智能的人工智能是人工智能.

背景情况:

• 了解人类大脑的复杂动态需要强大的计算模型,通常使用部分微分方程 (PDEs).
• 基于领域知识限制的经验模型调整,从时空数据中发现新的机制.
• 在将数据驱动的发现与机械理解大脑功能之间存在差距.

研究的目的:

• 开发一个可解释的深度模型,整合深度学习和物理原理来分析人类大脑.
• 揭示大脑在外部刺激下维持可控功能的机械作用.
• 在系统层面研究神经生物学过程的潜在控制机制.

主要方法:

• 设计了一个统一的框架,将深度神经网络与物理原理相结合.
• 最佳控制理论指导了神经生物学过程的可解释的深度模型的开发.
• 该模型被应用于揭示阿尔茨海默病的病理生理机制.

主要成果:

• 开发的模型提供了一个系统层面的理解神经生物学动态.
• 发现了对阿尔茨海默氏症病理生理机制的新见解.
• 该模型显示,与黑子模型相比,疾病进展的预测准确性和可解释性得到了改进.

结论:

• 可解释的深度模型提供了一种强大的方法,可以在神经科学中将数据驱动的见解和机械的理解相结合.
• 这种框架提高了研究复杂系统的能力,如人类大脑和阿尔茨海默氏症等疾病.
• 这些发现为更准确的疾病进展预测和更好地了解疾病病因学铺平了道路.