fMRI-data avslöjar antalet parallella processer som körs i hjärnan

Den mänskliga hjärnan beskrivs ofta som en massivt parallell datormaskin. Det väcker en intressant fråga: hur parallell är det egentligen?

Idag får vi svar tack vare Harris Georgious arbete vid National Kapodistrian University of Athens i Grekland, som har räknat antalet CPU-kärnor som arbetar i hjärnan när den utför enkla uppgifter i en funktionell magnetisk resonanstomografi (fMRI) maskin. Svaret kan hjälpa till att leda till datorer som bättre matchar den mänskliga hjärnans prestanda.

Själva hjärnan består av cirka 100 miljarder neuroner som var och en gör upp till 10 000 kopplingar med sina grannar. Allt detta är packat i en struktur lika stor som en festkaka och fungerar med en toppeffekt på endast 20 watt, en prestandanivå som datavetare observerar med dolda avundsjuka.

fMRI-maskiner avslöjar denna aktivitet genom att mäta förändringar i nivåerna av syre i blodet som passerar genom hjärnan. Tanken är att mer aktiva områden använder mer syre så syrebrist är ett tecken på hjärnaktivitet.

Vanligtvis delar fMRI-maskiner upp hjärnan i tredimensionella pixlar som kallas voxels, var och en cirka fem kubikmillimeter stor. Hjärnans fullständiga aktivitet vid vilket ögonblick som helst kan registreras med hjälp av ett tredimensionellt rutnät på 60 x 60 x 30 voxels. Dessa mätningar upprepas varje sekund eller så, vanligtvis för uppgifter som varar två eller tre minuter. Resultatet är en datauppsättning på cirka 30 miljoner datapunkter.

Georgious arbete går ut på att bestämma antalet oberoende processer som arbetar inom denna enorma datamängd. Det här är inte mycket annorlunda än att försöka återställa det (minsta) antalet faktiska 'cpu-kärnor' som krävs för att 'köra' alla aktiva kognitiva uppgifter som är registrerade i hela 3D-hjärnvolymen, säger han.

Detta är en svår uppgift med tanke på datauppsättningens storlek. För att testa sin signalbehandlingsteknik började Georgiou med att skapa en syntetisk fMRI-datauppsättning som består av åtta olika signaler med statistiska egenskaper som liknar de som arbetar i hjärnan. Han använde sedan en standardsignalbehandlingsteknik, kallad oberoende komponentanalys, för att räkna ut hur många olika signaler som fanns, och fann att det verkligen finns åtta, som förväntat.

Därefter tillämpade han samma oberoende komponentanalysteknik på riktiga fMRI-data som samlats in från mänskliga försökspersoner som utförde två enkla uppgifter. Den första var en enkel visuomotorisk uppgift där en person tittar på en skärm och sedan måste utföra en enkel uppgift beroende på vad som dyker upp.

I det här fallet visar skärmen antingen en röd eller grön ruta på vänster eller höger sida. Om rutan är röd ska försökspersonen ange detta med sitt högra pekfinger och om rutan är grön anger försökspersonen detta med sitt vänstra pekfinger. Detta är lättare när den röda rutan visas till höger och den gröna rutan visas till vänster, men är svårare när positionerna byts om. Uppgifterna bestod av nästan 100 försök utförda på nio friska vuxna.

Den andra uppgiften var lättare. Försökspersonerna visades en serie bilder som delas in i kategorier som ansikten, hus, stolar och så vidare. Uppgiften var att upptäcka när samma föremål dyker upp två gånger, om än från en annan vinkel eller under olika ljusförhållanden. Detta är en klassisk visuell igenkänningsuppgift.

Resultaten ger intressant läsning. Även om analysen är komplex är resultatet enkelt att ange. Georgiou säger att oberoende komponentanalys avslöjar att cirka 50 oberoende processer är igång i mänskliga hjärnor som utför de komplexa visuomotoriska uppgifterna att indikera närvaron av gröna och röda rutor. Men hjärnan använder färre processer när de utför enkla uppgifter, som visuell igenkänning.

Det är ett fascinerande resultat som har viktiga konsekvenser för hur datavetare bör designa chip avsedda att efterlikna mänsklig prestation. Det innebär att parallellism i hjärnan inte förekommer på nivån av enskilda neuroner utan på en mycket högre strukturell och funktionell nivå, och att det finns ett 50-tal av dessa.

Georgiou påpekar att en typisk voxel motsvarar ungefär tre miljoner neuroner, var och en med flera tusen kopplingar till sina grannar. Men de nuvarande state-of-the-art neuromorfa chips innehåller en miljon artificiella neuroner var och en med endast 256 anslutningar. Det som framgår av detta arbete är att den parallellitet som Georgiou har mätt förekommer i mycket större skala än så här.

Detta innebär i teorin att en artificiell motsvarighet till en hjärnliknande kognitiv struktur kanske inte kräver en massivt parallell arkitektur på nivån av enskilda neuroner, utan snarare en korrekt utformad uppsättning av begränsade processer som löper parallellt på en mycket lägre skala, avslutar han.

Alla som funderar på att designa hjärnliknande chips kanske tycker att detta är ett användbart tips.

Ref:arxiv.org/abs/1410.7100: Uppskattning av den inneboende dimensionen i fMRI Space via Dataset Fractal Analysis

Dölj