Google DeepMind和哈佛大學研究員，共同建構了虛擬老鼠模型，由AI作為虛擬老鼠的大腦，透過能模仿真實老鼠神經活動的人工神經網路，更好的了解大腦如何控制運動。
提取老鼠行動時的腦內活動
研究人員以深度強化學習，訓練老鼠在物理模擬器中模仿自由移動之老鼠的全身動作。研究員透過訓練人工神經網路來實現「逆動力學模型」（Inverse Dynamics），該模型可能是大腦用來指導動作的依據。
舉例來說，當我們伸手去拿一杯咖啡時，大腦會快速計算出手臂應該走的軌跡，並將結果轉為運動控制。根據來自真實老鼠的數據，可向神經網絡輸入動作的參考軌跡，神經網路會學習產生該動作所需之力量。這使虛擬老鼠能模仿各種行為，包括沒有經過明確訓練的動作。
With @Harvard, we built a ‘virtual rodent’ powered by AI to help us better understand how the brain controls movement. 🧠With deep RL, it learned to operate a biomechanically accurate rat model - allowing us to compare real & virtual neural activity. → https://t.co/GaToq3AWTQ pic.twitter.com/HnWZLk2mcE
準確預判真實老鼠的行動
接著團隊將真實老鼠大腦的神經活動與虛擬老鼠的人工神經網路，在做同個動作時進行了比較。結果顯示針對相同行為，虛擬控制網絡能準確預測出真實老鼠大腦的神經活動。
來自哈佛的研究員表示，DeepMind開發了可訓練生物力學代理人在複雜環境中移動的方法，而他們正好缺乏資源來訓練這樣的網路。
While the virtual rats did what we asked them to do, their movements looked nothing like those of real rats. We set out to change that by combining markerless 3D pose estimation with deep imitation learning to build virtual rodents that move naturally. pic.twitter.com/lyRVbXzYHs
這項研究也顯示出，模擬生物力學真實性的虛擬動物，能如何幫助解釋行為背後的神經活動，並將其與運動控制的理論相連結。
此方法可應用於神經科學，並研究難以透過實驗推斷的神經控制運動，來了解動物行為和大腦功能。研究的下一步可能是讓虛擬動物解決類似於真實世界老鼠需執行的任務。