«Котел» идей от 02.02.2016 г. Место проведения: Точка кипения, АСИ Присутствовали: В.Л.Дунин-Барковский, Э.Иванова, М.Г.Нетов, И.А.Смирнитская, Я.Н.Артамонова, В.В.Шакиров, Г.А.Бесхлебнова, И.Е.Мысин, С.А.Тактаев, В.Н. Майоров. Отчет подготовлен: Я.Н.Артамонова На еженедельных "Рабочих сессиях" НейроНет - "КОТЕЛ" идей происходит обзор и разбор "горячих" новостей по нейротехнологиям и нейронаукам. В первую очередь публикации журналов Nature и Science, выборки из arXiv и другие источники. Научную сессию проводит участник рабочей группы НейроНет НТИ - доктор физ-мат. наук, профессор Виталий Львович Дунин-Барковский. «Котел» идей рекомендует дайджесты прошлых номеров журналов Nature и Science на русском http://biomolecula.ru/content/1869/ и на английском языке http://www.wikitract.com/. 02 февраля 2016 года в Точке Кипения АСИ прошла очередная научная сессия «Котел» идей. Интересные идеи и новости нейромира за неделю. 30 января Эндрю Янг в своем Твиттере написал: «теперь на Coursera есть два курса с больше, чем 1 млн. слушателей. Другой курс – это какая-то психологическая фигня, правда, которую ведет Терри Сейновский». Речь идет о курсах «Машинное обучение» Стэндфордского университета [1] и «Обучение как учиться» Калифорнийского университета [2]. Это означает, что количество слушателей всего одного курса он-лайн много превышает количество студентов офф-лайн всего университета. Образование становится доступнее, но при этом растет запрос и на самоорганизацию студентов. Что характерно, оба курса связаны с интересом слушателей к искусственному интеллекту и нейронауке. Очевидно, что исследователи мозга ограничены возможностями тех инструментов, которыми они оперируют. В 2011-2013 годах появились заявления ученых о потребности в разработке многолучевого сканирующего электронного микроскопа (SEM) для задач картирования мозга. В январе 2015 года multi-bean SEM был установлен в лаборатории Джеффа Лихтмана (Проект Коннектом), а уже в июле 2015 года удалось получить изображение кубика мозга мыши размером 40*40*50 мкм с разрешением 3*3*30нм [3]. Сделано заявление о том, что в ближайшее время планируется создание модели кубика мозга мыши 100*100*100 мкм. На создание модели выделено 28 млн. долларов. В ближайшее время ждем научных открытий. Идея о том, что все языки имеют общее происхождение, оставаясь на уровне теории, высказывалась многократно. В статье [4] «Универсальная структура лексики и семантики языка человека» ученые попытались найти общие основания для 90 языков, и аргументировано заявляют: у всех этих языков - был один источник. Это мотивирует нейротехнологов, в том контексте, что люди могут искусственно создать что-то, что изменит саму систему и пространство. Ни у одного вида животных нет рекурсивного языка. Ни один из видов животных, в том числе и обезьяны, не способен освоить его. 1 Язык полностью культурный феномен. Дети-маугли, не освоившие язык в определенном возрасте, теряют способность говорить и понимать обращенную речь. Человек сам создал искусственный язык, который сам стал источником его развития и изменения. http://www.santafe.edu/media/workingpapers/15-04-013.pdf Новость о том, что компьютер обыграл человека в игру «го» заслужила публикации на всех новостных сайтах нейротехнологий, вышло сообщение [5] и отдельная статья в журнале «Nature» [6]. Вместе с тем, компьютер смог выиграть партию у чемпиона мира по шахматам в 1997 году, тест Тьюринга прошел в 2014 году. Нет ничего удивительного в том, что в 2016 году искусственный интеллект смог освоить игру «го». Это игра, и в ней есть свои правила. В статье в журнале «Nature» [7]. Предложен новый неинвазивный метод анализа активности отдельных нейронов мозга. Белок родопсина связывается с флуоресцентной молекулой, которая позволяет отследить нейронную активность отдельных клеток в живых животных, чтобы с беспрецедентной скоростью и точностью можно было судить об активности клеток центральной нервной системы. Надеемся, что это метод будет взят на вооружение и российскими учеными. Выведены генно-модифицированные обезьяны, демонстрирующие симптомы аутизма [8]. Эта новость революционна, в последние годы в мире наблюдается настоящая эпидемия аутизма. Ежегодно таких пациентов становится на 7-10% больше. По экспертным оценкам, аутизмом сегодня страдает каждый 130-й мальчик и каждая 150-я девочка. Причины возникновения аутизма не выявлены. Поведение аутиста и его способность к адаптации в обществе во многом зависит от вовлеченности в болезнь интеллекта и речи. Появление модели-животного для изучения феномена и поиска адекватной терапии – это огромный прорыв в науке. В ходе «Котла» идей традиционно были прокомментированы отдельные статьи по теме «Искусственный интеллект», ярких прорывных решений не предложено, но в каждой отдельной статье есть интересные моменты для специалистов, работающих над темой. РЕКОМЕНДУЕМЫЕ «КОТЛОМ» СТАТЬИ ПО ТЕМЕ: «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»: 1. ADVERSARIAL AUTOENCODERS. Alireza Makhzani, Jonathon Shlens & Navdeep Jaitly & Ian Goodfellow.// arXiv:1511.05644v1 [cs.LG] 18 Nov 2015 http://arxiv.org/pdf/1511.05644.pdf 2. GENERATING S ENTENCES FROM A CONTINUOUS S PACE. Samuel R. Bowman, Luke Vilnis, Oriol Vinyals, Andrew M. Dai, Rafal Jozefowicz & Samy Bengio.// arXiv:1511.06349v3 [cs.LG] 25 Jan 2016 - http://arxiv.org/abs/1511.06349 3. A GENERIC CNN-CRF MODEL FOR S EMANTIC S EGMENTATION. Alexander Kirillov, Dmitrij Schlesinger, Walter Forkel, Anatoly Zelenin, Shuai Zheng, Philip Torr, Carsten Rother.// arXiv:1511.05067v1 [cs.CV] 16 Nov 2015 – https://www.researchgate.net/publication/284096754_A_Generic_CNNCRF_Model_for_Semantic_Segmentation 2 4. ACTOR-M IMIC DEEP MULTITASK AND T RANSFER REINFORCEMENT L EARNING. Emilio Parisotto, Jimmy Ba, Ruslan Salakhutdinov.// arXiv:1511.06342v2 [cs.LG] 20 Nov 2015 https://www.researchgate.net/publication/284219018_ActorMimic_Deep_Multitask_and_Transfer_Reinforcement_Learning 5. CONDITIONAL COMPUTATION IN NEURAL NETWORKS FOR FASTER MODELS. Emmanuel Bengio, Pierre-Luc Bacon, Joelle Pineau & Doina Precup.// arXiv:1511.06297v1 [cs.LG] 19 Nov 2015 - http://arxiv.org/pdf/1511.06297.pdf 6. Deep Learning with S-shaped Rectified Linear Activation Units. Xiaojie Jin, Chunyan Xu, Jiashi Feng, Yunchao Wei, Junjun Xiong, Shuicheng Yan.// arXiv:1512.07030v1 [cs.CV] 22 Dec 2015.- http://arxiv.org/pdf/1512.07030.pdf 7. DELVING DEEPER INTO CONVOLUTIONAL NETWORKS FOR L EARNING VIDEO REPRESENTATIONS. Nicolas Ballas, Li Yao, Chris Pal, Aaron Courville.// arXiv:1511.06432v2 [cs.CV] 23 Nov 2015 - http://arxiv.org/abs/1511.06432 8. Do Less and Achieve More: Training CNNs for Action Recognition Utilizing Action Images from the Web. Shugao Ma, Sarah Adel Bargal, Jianming Zhang, Leonid Sigal, Stan Sclaroff.// arXiv:1512.07155v1 [cs.CV] 22 Dec 2015 http://arxiv.org/pdf/1512.07155.pdf 9. DOC: DEEP OCCLUSION E STIMATION F ROM A SIN GLE I MAGE. Peng Wang, Alan Yuille.// arXiv:1511.06457v3 [cs.CV] 7 Jan 2016. – http://arxiv.org/abs/1511.06457 10. Gated graph sequence neural networks. Yujia li & richard zemel, Marc brockschmidt & daniel tarlow,// arXiv:1511.05493v1 [cs.LG] 17 Nov 2015 http://arxiv.org/pdf/1511.05493.pdf 11. Long Short-Term Memory-Networks for Machine Reading. Jianpeng Cheng Li Dong Mirella Lapata// arXiv:1601.06733v1 [cs.CL] 25 Jan 2016http://arxiv.org/pdf/1601.06733.pdf 12. MUPROP: U NBIASED BACKPROPAGATION FOR S TOCHASTIC NEURAL NETWORKS. Shixiang Gu, Sergey Levine, Ilya Sutskever, and Andriy Mnih. // arXiv:1511.05176v1 [cs.LG] 16 Nov 2015 http://arxiv.org/pdf/1511.05176.pdf 13. Neural Generative Question Answering. Jun Yin, Xin Jiang, Zhengdong Lu, Lifeng Shang, Hang Li, Xiaoming Li.// arXiv:1512.01337v1 [cs.CL] 4 Dec 2015 .http://arxiv.org/pdf/1512.01337.pdf 14. NEURAL P ROGRAMMER : I NDUCING L ATENT PROGRAMS WITH GRADIENT DESCENT. Arvind Neelakantan, Quoc V. Le, Ilya Sutskever.// arXiv:1511.04834v1 [cs.LG] 16 Nov 2015. - http://arxiv.org/pdf/1511.04834.pdf Ссылки: 1 Курс Andrew Ng https://www.coursera.org/learn/machine-learning 3 2 Курс Dr. Terrence Sejnowski, University of California, San Diego. https://www.coursera.org/learn/learning-how-to-learn 3 Crumb of mouse brain reconstructed in full detail. ZIMBABWE NATL ARKS/AFP/GETTYN. KASTHURI ET AL./ CELL (2015) BY ALISON ABBOTT.- 6 AUGUST 2015 | VOL 524 |NATURE | 17 http://www.nature.com/polopoly_fs/1.18105!/menu/main/topColumns/topLeftColumn/pdf/n ature.2015.18105.pdf 4 On the Universal Structure of Human Lexical Semantics. Hyejin Youn, Logan Sutton, Eric Smith, Cristopher Moore, Jon F. Wilkins, Ian Maddieson, William Croft, Tanmoy hattacharya.// arXiv:1504.07843 [physics.soc-ph] http://www.santafe.edu/media/workingpapers/15-04013.pdf 5 Google masters Go. Deep-learning software excels at complex ancient board game.// 28 JANUARY 2016 | VOL 529 | NATURE | 445 6 Mastering the game of Go with deep neural networks and tree search. David Silver, Aja Huang, Chris J. Addison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, , Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel, Demis Hassabis. // 484 | NATURE | VOL 529 | 28 JANUARY 2016 – doi:10.1038/nature16961 7 Fluorescent boost for voltage sensors. VIVIANA GRADINARU & NICHOLAS C. FLYTZANIS// 28 JANUARY 2016 | VOL 529 | NATURE | 469/ 8 Monkeys genetically modified to show autism symptoms/ But it is unclear how well the results match the condition in humans.// 28 JANUARY 2016 | VOL 529 | NATURE | 449. 4