分类
麻省理工学院新闻

神经元的“触角”在神经计算中异常活跃

大多数神经元都有许多被称为树突的分支扩展,它们接收来自其他数千个神经元的输入。然而树突并不仅仅是被动的信息载体。根据麻省理工学院(MIT)的一项新研究,它们似乎在神经元将传入信号转化为电活动的能力中发挥了惊人的重要作用。

神经科学家此前曾怀疑树突可能只在特定的环境下才会活跃,但麻省理工学院的研究小组发现,当神经元的主体细胞活跃时,树突几乎总是活跃的。

“树突突刺似乎是我们大脑神经元计算信息的内在特征。他们并不是罕见的事件,”麻省理工学院研究生、该研究的第一作者卢•比茨-拉罗什表示。“我们观察的所有神经元都有这些树突尖峰,而且它们经常有树突尖峰。”

树突的作用的研究结果表明,大脑的计算能力比以前认为的要大得多,马克哈尼特说,谁是弗雷德和卡罗尔•米德尔顿的大脑与认知科学系助理教授职业发展,麦戈文脑研究所的一员,和论文的资深作者。

他表示:“这与该领域一直以来的想法真的非常不同。”“这是树突积极参与产生和塑造神经元输出的证据。”

研究生恩里克·托洛扎(Enrique Toloza)和技术助理诺玛·布朗(Norma Brown)也是这篇论文的作者,论文发表在6月6日的《神经元》(Neuron)杂志上。

“遥远的天线”

树突接收许多其他神经元的输入,并将这些信号传送到细胞体,也称为体细胞。如果受到足够的刺激,神经元会发出动作电位——一种电脉冲,这种电脉冲会扩散到其他神经元。这些神经元的大型网络相互沟通,执行复杂的认知任务,如产生语言。

通过成像和电子记录,神经科学家已经对大脑皮层不同类型的神经元之间的解剖学和功能差异了解了很多,但对它们如何吸收树突输入并决定是否触发动作电位却知之甚少。树突赋予神经元特有的分枝树形,而“树突乔木”的大小远远超过了体细胞的大小。

Harnett说:“这是一个巨大的、分布广泛的天线,它能从网络中所有其他神经元的分支结构中听到分布在空间中的数千个突触信号。”

一些神经科学家假设树突很少活跃,而另一些人则认为树突可能在神经元的整体活动中发挥着更重要的作用。Harnett说,到目前为止,很难测试这些观点中哪一个更准确。

为了探索树突在神经计算中的作用,麻省理工学院的研究小组利用钙成像技术,同时测量了位于大脑视觉皮层的单个神经元的体细胞和树突的活动。当神经元处于电活动状态时,钙就会流向神经元,因此这项测量使研究人员能够比较同一神经元的树突和体细胞的活性。当老鼠在跑步机上跑步或看电影等简单的任务时,就会进行成像。

出乎意料的是,研究人员发现体细胞的活动与树突的活动高度相关。也就是说,当某个神经元的体细胞处于活跃状态时,该神经元的树突大部分时间也处于活跃状态。这尤其令人惊讶,因为这些动物没有执行任何需要认知的任务,Harnett说。

“他们没有从事一项必须真正发挥作用、需要认知过程或记忆的任务。这是非常简单的,低水平的处理,我们已经有证据表明几乎所有的神经元都有活跃的树突处理,”他说。“看到这一点,我们真的很惊讶。”

发展的模式

研究人员还不清楚树突输入对神经元整体活动的影响,也不清楚他们研究的神经元究竟在做什么。

“我们知道一些神经元会对一些视觉刺激做出反应,但我们不一定知道这些神经元代表什么。我们只能说,无论神经元代表什么,树突都积极参与其中。

而更多的工作仍然决定如何树突和soma有关的活动,“正是这些旅程体内测量是明确测试的关键假设关于电气信号的神经元,”马拉樵夫说,教授在加州大学伯克利分校神经生物学,他并没有参与这项研究。

哈奈特说,麻省理工学院的研究小组现在计划研究树突活动如何通过操纵树突活动对整体神经元功能做出贡献,然后测量它如何影响细胞体的活动。他们还计划研究他们观察到的活动模式是否随着动物学习新任务而进化。

”一个假设是,树突活动会提高了任务你教的代表特性的动物,和所有其他的树突活动,以及所有其他躯体活动,会抑制在皮层细胞的其余部分不参与,”哈尼特表示。

这项研究由加拿大自然科学与工程研究委员会和美国国立卫生研究院资助。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/neurons-dendrite-role-computation-0606

分类
麻省理工学院新闻

药物使肿瘤对化疗更敏感

许多化疗药物通过严重破坏癌细胞的DNA来杀死癌细胞。然而,一些肿瘤可以通过依赖DNA修复途径来抵御这种损伤,这种修复途径不仅允许肿瘤存活,还会引入突变,帮助细胞对未来的治疗产生抗药性。

麻省理工学院(MIT)和杜克大学(Duke University)的研究人员现在发现了一种潜在的药物化合物,可以阻断这种修复途径。“这种化合物增加了顺铂对细胞的杀伤,并阻止了突变,这正是我们所期望的阻止这一途径的发生,”麻省理工学院(MIT)美国癌症协会生物学研究教授、霍华德·休斯医学研究所(Howard Hughes Medical Institute)教授、该研究的资深作者之一格雷厄姆·沃克(Graham Walker)说。

当他们用这种化合物和顺铂(一种破坏dna的药物)一起治疗小鼠时,肿瘤缩小的幅度远远大于单独使用顺铂的小鼠。用这种组合疗法治疗的肿瘤预计不会产生新的突变,从而产生耐药性。

顺铂是至少12种癌症的首选治疗药物,通常能成功地摧毁肿瘤,但在治疗后,肿瘤往往会重新生长。研究人员说,针对导致这种复发的突变性DNA修复途径的药物,不仅有助于提高顺铂的长期疗效,还有助于提高其他破坏DNA的化疗药物的长期疗效。

“我们正在努力使治疗效果更好,我们还想让肿瘤对重复剂量的治疗复发性敏感,”麻省理工学院(MIT)科赫综合癌症研究所(Koch Institute for Integrative Cancer Research)的生物学副教授、该研究的资深作者迈克尔·赫曼(Michael Hemann)说。

杜克大学生物化学教授周培和杜克大学化学教授洪继勇也是这篇发表在6月6日出版的《细胞》杂志上的论文的资深作者。这篇论文的主要作者是前杜克大学研究生杰西卡·沃塔泽克、麻省理工学院博士后尼姆拉特·查特吉和杜克大学研究助理贾瓦里亚·纳耶布。

克服阻力

健康细胞有几种修复途径,可以准确地清除细胞中的DNA损伤。当细胞癌变时,它们有时会失去其中一个精确的DNA修复系统,因此它们严重依赖另一种应对策略,即翻译离子合成(TLS)。

沃克多年来一直在各种生物体中研究这个过程,它依赖于特殊的TLS DNA聚合酶。与用于复制DNA的正常DNA聚合酶不同,这些TLS DNA聚合酶本质上可以复制受损的DNA,但它们的复制并不十分准确。这使得癌细胞能够在dna破坏剂(如顺铂)的治疗下存活下来,并导致它们获得许多额外的突变,从而对进一步的治疗产生抗药性。

“因为这些TLS DNA聚合酶真的很容易出错,它们对顺铂等药物引起的几乎所有突变都负有责任,”Hemann说。“我们使用的这些一线化疗方法,如果不能治愈你,只会让你更糟,这是非常确定的。”

转录离子合成所需的关键TLS DNA聚合酶之一是Rev1,其主要功能是招募第二种由Rev3和Rev7蛋白复合物组成的TLS DNA聚合酶。沃克和赫曼一直在寻找破坏这种相互作用的方法,希望能破坏修复过程。

在2010年发表的两项研究中,研究人员表明,如果他们使用RNA干扰来降低Rev1的表达,那么顺铂治疗对小鼠的淋巴瘤和肺癌就会变得更加有效。虽然有些肿瘤重新生长,但新的肿瘤对顺铂没有耐药性,可以通过新一轮治疗再次被杀死。

在证明干扰转译离子合成可能是有益的之后,研究人员开始寻找一种小分子药物,它可能具有同样的效果。在周的带领下,研究人员对大约10,000种潜在的药物化合物进行了筛选,并确定了一种与Rev1紧密结合的化合物,阻止其与Rev3/Rev7复合物相互作用。

Rev1与第二TLS DNA聚合酶的Rev7组分之间的相互作用被认为是“不可药物化的”,因为它发生在Rev1的一个非常浅的口袋里,几乎没有什么特征可以让药物轻易抓住。然而,令研究人员惊讶的是,他们发现了一种分子,它实际上与Rev1的两个分子结合,在两端各有一个,并将它们结合在一起,形成一种称为二聚体的复合物。这种二聚形式的Rev1不能结合到Rev3/Rev7 TLS DNA聚合酶上,因此不能发生平移合成。

查特吉在几种人类癌细胞中测试了这种化合物和顺铂,发现这种化合物杀死的细胞比顺铂本身杀死的细胞多得多。存活下来的细胞产生新突变的能力大大降低。

查特吉说:“由于这种新型的转化离子合成抑制剂针对的是癌细胞对治疗产生抗药性的诱变能力,因此它有可能解决癌症复发的问题。在癌症复发过程中,新的突变不断演变,共同构成癌症治疗中的一个重大挑战。”

一个强大的组合

查特吉随后在患有人类黑色素瘤的小鼠身上测试了这种药物组合,发现这种肿瘤的缩小程度远远超过单用顺铂治疗的肿瘤。他们现在希望他们的发现将导致对化合物的进一步研究,这些化合物可以作为翻译合成抑制剂,增强现有化疗药物的杀伤效果。

周在杜克大学的实验室正致力于开发这种化合物的变体,这种变体可以用于可能的人体试验。与此同时,沃克和赫曼正在进一步研究这种药物的作用机理,他们认为这有助于确定最佳的使用方法。

“这是未来的一个主要目标,确定在什么情况下这种联合疗法会特别有效,”Hemann说。“我们希望我们对这些药物如何起作用以及何时起作用的理解能与这些化合物的临床开发相一致,所以到使用它们的时候,我们就能知道应该给哪些病人服用。”

这项研究的部分资金来自美国国家环境健康科学研究所(National Institute of Environmental Health Sciences)授予沃克的杰出研究员奖,以及美国国家癌症研究所(National Cancer Institute)、斯图尔特基金会(Stewart Trust)和麻省理工学院(MIT)精确癌症医学中心(Center for Precision Cancer Medicine)的资助。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/drug-chemo-effective-tumors-0606

分类
麻省理工学院新闻

如何加快发现新的太阳能电池材料

一种被称为钙钛矿的广泛材料被认为是开发新型、更高效太阳能电池最有前途的途径之一。但是这些材料组成元素的无限可能组合使得寻找有希望的新钙钛矿的过程缓慢而艰苦。

现在,麻省理工学院(MIT)和其他几家机构的一组研究人员加快了筛选新配方的过程,使合成和分析新化合物的速度提高了大约10倍。在此过程中,他们已经发现了两组有前景的钙钛矿激发材料,值得进一步研究。

他们的发现发表在本周的《焦耳》杂志上,发表在麻省理工学院研究科学家孙石静(音译)、机械工程教授托尼奥•布纳西斯(Tonio Buonassisi)和其他16位麻省理工学院的科学家以及马里兰州国家标准与技术研究所(National Institute of Standards and Technology)的一篇论文中。

Buonassisi说,令人有些惊讶的是,尽管采用了部分自动化,但是在吞吐量速度上的大部分改进都来自工作流人机工程学。这涉及到更传统的系统效率,通常通过跟踪和计时所涉及的许多步骤来获得:合成新化合物,将它们沉积在基底上结晶,然后使用多种技术观察和分类所得到的晶体结构。

“有必要加快开发新材料,”Buonassisi说,因为世界继续向太阳能发展,包括在太阳能电池板空间有限的地区。但他表示,开发新能源转换材料的典型系统可能需要20年时间,前期资本成本很高。他的团队的目标是将开发时间缩短到两年以下。

从本质上说,研究人员开发了一个系统,可以同时制造和测试多种材料。“我们现在能够使用相同的材料合成平台,获得大量不同的成分。它让我们能够探索大量的参数空间,”他说。

钙钛矿化合物由三种不同的组分组成,传统上被标记为A、B和X位离子,每一种都可以是候选元素列表中的任意一种,形成一个具有不同物理性质的非常大的结构家族。在钙钛矿和受钙钛矿启发的光伏应用材料领域,b位点离子通常是铅,但钙钛矿研究的主要工作是寻找可行的无铅版本,可以匹配或超过基于铅的品种的性能。

研究人员说,虽然已经从理论上预测了一千多种可能有用的钙钛矿配方,但在数百万种理论上可能的组合中,迄今为止只有一小部分是通过实验得到的,这突显出加速过程的必要性。

在实验中,研究小组选择了各种不同的成分,每一种成分都混合在溶液中,然后沉积在基底上,在基底上材料结晶成薄膜。然后用一种叫做x射线衍射的技术对薄膜进行了检测,这种技术可以揭示原子在晶体结构中的排列细节。然后,在卷积神经网络系统的帮助下,对这些x射线衍射图进行初步分类,以加速这一过程。Buonassisi说,单是分类这一步,最初就需要3到5个小时,但通过应用机器学习,这一过程缩短到了5.5分钟,同时保持了90%的准确率。

在对该系统的初步测试中,该团队已经探索了75种不同的配方,而之前合成和表征这些配方所需的时间只有现在的十分之一。在这75种钙钛矿中,他们发现了两种新的无铅钙钛矿系统,它们具有很好的性能,可能具有开发高效太阳能电池的潜力。 

在此过程中,他们首次以薄膜的形式产生了四种化合物;薄膜是用于太阳能电池的理想形式。他们还在一些材料中发现了“非线性带隙可调谐性”的例子,这是一个意想不到的特性,与激发材料中电子所需的能量水平有关,他们说,这为潜在的太阳能电池开辟了新的途径。

该团队表示,随着流程部分的进一步自动化,应该有可能继续提高处理速度,使其速度从10倍提高到100倍。最终,Buonassisi说,这一切都是为了让太阳能尽可能便宜,继续这项技术已经显著的跳水。目的是使经济可持续的价格低于2美分每千瓦时,他说,和得到的结果可能会有一个突破材料:“你所要做的是做一个材料”,只有正确的组合的属性——包括易于制造、低成本的材料,并在将太阳能效率高。

他说:“我们正在把所有的实验装置都安装到位,这样我们就能更快地进行探索。”

这项工作由道达尔公司通过麻省理工学院能源计划、国家科学基金会和新加坡国家研究基金会通过新加坡-麻省理工学院研究与技术联盟提供支持。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/solar-cell-material-discovery-perovskite-0605

分类
麻省理工学院新闻

芯片设计大大降低了光计算所需的能量

麻省理工学院的研究人员已经开发出一种新型的“光子”芯片,这种芯片使用光而不是电,在这个过程中消耗的能量相对较少。这种芯片可以被用来处理大规模的神经网络,其效率是当今经典计算机的数百万倍。

神经网络是机器学习模型,广泛用于机器人目标识别、自然语言处理、药物开发、医学成像和驱动无人驾驶汽车等任务。利用光学现象加速计算的新型光神经网络,其运行速度和效率都比电子神经网络快得多。 

但是随着传统的和光神经网络变得越来越复杂,它们消耗了大量的能量。为了解决这个问题,研究人员和包括谷歌、IBM和特斯拉在内的主要科技公司开发了“人工智能加速器”,这是一种专门的芯片,可以提高训练和测试神经网络的速度和效率。

对于电子芯片,包括大多数人工智能加速器,有一个理论上的最低能耗限制。最近,麻省理工学院的研究人员开始为光学神经网络开发光子加速器。这些芯片的效率提高了几个数量级,但它们依赖于一些体积庞大的光学元件,这些元件将它们的使用限制在相对较小的神经网络上。

在发表于《物理评论X》的一篇论文中,麻省理工学院的研究人员描述了一种新的光子加速器,它使用了更紧凑的光学元件和光学信号处理技术,以大幅降低功耗和芯片面积。这使得该芯片可以扩展到比同类芯片大几个数量级的神经网络。

在MNIST图像分类数据集上对神经网络进行仿真训练表明,该加速器理论上可以处理的神经网络比传统的基于电子的加速器的能量消耗限制低1000多万倍,比光子加速器的能量消耗限制低1000多万倍。研究人员目前正在研制一种原型芯片,以实验证明这些结果。

电子研究实验室的博士后Ryan Hamerly说:“人们正在寻找一种技术,这种技术可以在能源消耗的基本限制之外进行计算。”“光子加速器很有前途……但我们的动机是建立一个(光子加速器),可以扩展到大型神经网络。”

这些技术的实际应用包括减少数据中心的能源消耗。“对运行大型神经网络的数据中心的需求越来越大,随着需求的增长,这在计算上变得越来越棘手,”合著者之一、电子研究实验室的研究生亚历山大•斯鲁德斯(Alexander Sludds)表示。其目标是“用神经网络硬件满足计算需求……解决能源消耗和延迟的瓶颈。”

加入Sludds和Hamerly论文的有:合著者Liane Bernstein, RLE研究生;麻省理工学院物理学教授Marin Soljacic;麻省理工学院电子工程与计算机科学副教授、RLE研究员、量子光子学实验室主任德克·英格伦(Dirk Englund)。 

紧凑的设计

神经网络通过许多计算层处理数据,这些计算层包含相互连接的节点,称为“神经元”,以发现数据中的模式。神经元接收来自上游邻居的输入,并计算一个输出信号,该信号被发送到下游更远的神经元。每个输入还被分配一个“权重”,一个基于其相对于所有其他输入的重要性的值。随着数据通过层“更深入”地传播,网络学习到的信息也越来越复杂。最后,输出层根据各个层的计算生成预测。

所有人工智能加速器的目标都是在神经网络中称为“矩阵乘法”的特定线性代数步骤中,减少处理和移动数据所需的能量。在那里,神经元和权重被编码成单独的行和列表,然后结合起来计算输出。

在传统的光子加速器中,用一层中每个神经元的信息编码的脉冲激光器流入波导并通过分束器。由此产生的光学信号被输入一个正方形光学元件网格,称为“马赫-曾德尔干涉仪”,该干涉仪被编程来执行矩阵乘法。干涉仪,编码了关于每个重量的信息,使用信号干扰技术处理光学信号和重量值,计算每个神经元的输出。但有一个缩放问题:每个神经元必须有一个波导,每个重量必须有一个干涉仪。因为权值的数量与神经元的数量成平方,这些干涉仪占用了大量的空间。

哈默利说:“你很快就会意识到,输入神经元的数量不可能超过100个左右,因为你无法在芯片上安装那么多组件。”“如果你的光子加速器每层不能处理超过100个神经元,那就很难将大型神经网络应用到这个结构中。”

研究人员的芯片依赖于一种更紧凑、更节能的“光电”方案,该方案用光学信号编码数据,但在矩阵乘法中使用“平衡零差检测”。这是一种通过计算两个光学信号的振幅(波高)的乘积来产生可测量电信号的技术。

由每个神经网络层的输入和输出神经元信息编码的光脉冲——这是训练网络所必需的——通过一个通道流动。用矩阵乘法表中整行权值信息编码的单独脉冲通过单独的通道流动。携带神经元和权重数据的光学信号被扇出到零差光探测器的网格中。光电探测器利用信号的振幅来计算每个神经元的输出值。每个检测器将每个神经元的电输出信号输入调制器,调制器将信号转换回光脉冲。光信号成为下一层的输入,以此类推。

该设计要求每个输入和输出神经元只需要一个通道,并且只有神经元数量的零差光探测器,而不是权值。由于神经元的数量总是远远少于重量,这节省了大量空间,因此芯片能够扩展到每层有100多万个神经元的神经网络。

找到最佳位置

对于光子加速器,信号中不可避免地存在噪声。输入芯片的光越多,噪音就越小,精度也就越高——但这是非常低效的。输入光越少,效率越高,但对神经网络的性能有负面影响。但是伯恩斯坦说,有一个“最佳点”,在保持精度的同时使用最小的光功率。

人工智能加速器的最佳加速点是通过计算一次乘两个数字的操作需要多少焦耳来衡量的,比如在矩阵乘法期间。目前,传统的加速器的测量单位是皮焦耳,或者1万亿分之一焦耳。光子加速器的测量单位是阿特焦耳,它的效率要高出一百万倍。

在他们的模拟中,研究人员发现他们的光子加速器可以以亚阿托焦耳效率工作。“在失去精度之前,你可以输入一些最小的光功率。我们芯片的基本极限比传统加速器低得多……也比其他光子加速器低得多,”伯恩斯坦说。

新闻旨在传播有益信息,英文原版地址:http://news.mit.edu/2019/ai-chip-light-computing-faster-0605