Onderzoekers hebben een innovatief generatief model ontwikkeld dat in staat is om realistische fMRI-dynamiek van de hersenen te creëren, zelfs voor cognitieve taken die het systeem tijdens de training niet heeft gezien. Het model, genaamd PINC-Flow, opent nieuwe mogelijkheden voor het ontwerp van neurologische experimenten via computersimulaties.
In een recent wetenschappelijk artikel, dat is ingediend bij de preprint-server arxiv.org, presenteren Sam Gijsen en collega's een nieuwe methode om neurale tijdreeksen te genereren. Waar eerdere generatieve modellen voor hersenactiviteit vaak beperkt waren tot vaste categorieën, introduceert PINC-Flow een aanpak die gebruikmaakt van 'in-context priors'. Dit stelt het model in staat om zero-shot generalisatie toe te passen, wat betekent dat het resultaten kan produceren voor scenario's die buiten de oorspronkelijke trainingsdata vallen.
Doorbraak in counterfactuele neurowetenschap
De kern van de nieuwe technologie is een zognamde 'per-timestep conditioned diffusion transformer'. Volgens de beschrijving op kan PINC-Flow realistische fMRI-dynamiek van de gehele cortex genereren door gebruik te maken van compositorische taalbeschrijvingen en optionele ruimtelijke priors.
Deze ontwikkeling is van groot belang voor wat de auteurs 'counterfactuele neurowetenschap' noemen. Hiermee kunnen wetenschappers in-silico — oftewel via computersimulaties — nieuwe cognitieve experimenten ontwerpen en evalueren voordat ze deze in de praktijk met menselijke proefpersonen testen. Dit kan het proces van experimenteel ontwerp aanzienlijk versnellen en optimaliseren.
Werking en prestaties
Het model is getest op honderden taken die niet in de trainingsset voorkwamen. De onderzoekers stelden vast dat het model op basis van taal alleen al in staat is om regio-specifieke activatiepatronen te herstellen die kenmerkend zijn voor verschillende taken. Wanneer er daarnaast ruimtelijke priors beschikbaar zijn, vullen deze de tekstuele informatie aan. Dit is vooral nuttig in gebieden van de 'taakruimte' waar taal alleen onvoldoende is om nauwkeurige resultaten te genereren, terwijl de compositorische structuur behouden blijft.
De auteurs van het onderzoek, waaronder Michał Łukomski, Marc-André Schulz en Kerstin Ritter, claimen dat dit het eerste generatieve model is dat de dynamiek van de gehele cortex kan simuleren voor onbekende cognitieve taken. Het werk is officieel geaccepteerd voor presentatie op de conferentie .
Bredere context van generatieve AI
De ontwikkeling van PINC-Flow past in een bredere trend waarbij 'flow matching' en diffusiemodellen worden ingezet voor complexe domeinen, variërend van eiwitstructuren tot medische beeldvorming. Terwijl wetenschappelijke modellen zoals PINC-Flow zich richten op de neurologie, worden soortgelijke generatieve technologieën in de commerciële sector ingezet voor creatieve toepassingen. Zo biedt de app google.com gebruikers de mogelijkheid om beelden en video's te genereren en te verfijnen via AI-modellen op mobiele apparaten. Hoewel de commerciële tools zich richten op visuele creatie, maken beide benaderingen gebruik van de kracht van conditionele generatie om nieuwe data te creëren op basis van specifieke inputs.
De code en de vooraf getrainde modellen van PINC-Flow zijn publiekelijk beschikbaar gesteld om verder onderzoek binnen de neurowetenschappen en machine learning te stimuleren, zoals vermeld in de documentatie op .