Мозг мухи учит робота ходить экспресс
Плодовая мушка дрозофила — крошечное существо с мозгом размером с маковое зёрнышко. В нём около ста тысяч нервных клеток, и учёные уже составили полную карту их соединений — как схему городского метро, где станции — нейроны, а линии — связи между ними. Эта схема называется коннектомом.
Исследователи задались вопросом: можно ли использовать эту готовую природную схему как «мозг» для компьютерной модели мухи? Они взяли коннектом взрослой дрозофилы и превратили его в управляющую программу — нейронную сеть с той же структурой связей. Затем виртуальную муху поместили в симулятор, где она должна была научиться ходить, поворачиваться и выполнять другие движения. Обучение шло методом проб и ошибок: за удачные шаги программа получала награду, за падения — штраф.
Результат удивил: муха с «родным» коннектомом училась быстрее и двигалась устойчивее, чем модели со случайной или упрощённой структурой. Ей требовалось меньше попыток, чтобы освоить новое движение — примерно как опытному танцору легче выучить новый танец, чем новичку. Более того, такая модель оказалась понятнее для анализа: можно проследить, как сигналы идут от «глаз» к «мышцам» и какие связи важнее всего.
Эта работа — шаг к созданию машин, которые учатся не с нуля, а опираясь на проверенные эволюцией схемы. Возможно, будущие роботы получат «мозг», вдохновлённый не абстрактными алгоритмами, а реальной биологией — от мухи до человека.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2602.17997
Animals perform coordinated whole-body movements under the control of neural systems shaped by brain-wide connectivity. The mapping of the whole-brain neural connections, or the connectomes, provides a natural graph for modeling sensorimotor information flow, yet its potential as a neural controller for embodied agents remains largely unexplored. Here, we introduce the Fly-connectomic Graph Model, which directly instantiates the whole-brain connectome of an adult Drosophila as a graph-structured neural controller for movements of a simulated biomechanical fruit fly via deep reinforcement learning. We achieve stable performance across diverse locomotion tasks, as well as better sample efficiency compared to both graph and non-graph baselines. Our results demonstrate a biologically informed way towards effective control policy design by translating whole-brain wiring principles into actionable architectural priors, while also improving the interpretability through dynamic information flow. This work also highlights the potential to bridge neuromechanics with embodied intelligence by providing a computational platform for investigating the sensorimotor transformation underlying animal behavior and a paradigm to advance the development of more nature-aligned intelligent systems.
Мозг дрозофилы содержит около 100 000 нейронов, но при этом муха способна к сложным манёврам в полёте, уклонению от опасности и даже обучению.
Идея использовать биологический мозг как схему для машины перекликается с фильмом «Робокоп», где человеческий мозг управлял телом робота.