Котел» идей от 02.02.2016 г.

«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