用于识别有效刺激的免梯度激活最大化

理解脑功能的一个基本问题是何种类型的刺激驱动神经元放电。在视觉神经科学中，该问题也被表述为刻画神经元的感受野。对有效刺激的搜寻传统上依赖于先前研究的见解、直觉与运气的结合。近来，同样的问题出现在卷积神经网络（ConvNets）单元的研究中，并随之发展出一类通常被称为“通过激活最大化进行特征可视化”的解决方法。我们试图将研究 ConvNets 的工具与技术引入生物神经网络的研究。然而，阻碍工具直接迁移的一个关键区别在于，ConvNets 的梯度可通过反向传播获得，而大脑的此类梯度不可得。为规避此问题，我们开发了一种免梯度激活最大化方法，将生成式神经网络与遗传算法相结合。我们将该方法称为 XDream（通过实时进化扩展 DeepDream 以实现激活最大化），并已证明该方法能为猕猴视觉皮层中的神经元可靠地创建强刺激（Ponce 等，2019）。在本文中，我们描述了利用 ConvNet 单元作为神经元的计算机模拟模型来刻画 XDream 方法的广泛实验。我们展示了 XDream 适用于不同网络层、架构和训练集；考察了算法中的设计选择；并提供了选择算法超参数的实用指南。XDream 是一种在黑盒网络中使用庞大且多样的 stimuli 空间揭示神经元调谐偏好的高效算法。