在神经科学和生物医学工程领域，精确地模拟人类手部的复杂运动长期以来一直是一项重大挑战。
当前的模型往往难以捕捉大脑运动指令与肌肉和肌腱物理动作之间的复杂相互作用。这一差距不仅阻碍了科学进步，也限制了旨在为肢体缺失或瘫痪者恢复手部功能的有效神经修复术的发展。
EPFL 教授亚历山大·马西斯（Alexander Mathis）及其团队开发了一种由 AI 驱动的方法，极大地增进了我们对这些复杂运动功能的理解。该团队采用了一种创新的机器学习策略，将基于课程的强化学习与详细的生物力学模拟相结合。
马西斯的研究呈现了一个详细、动态且解剖学上精确的手部运动模型，其直接灵感来自于人类学习复杂运动技能的方式。这项研究不仅在 2022 年的 NeurIPS 会议的 MyoChallenge 中获胜，其结果也已发表在《神经元》杂志上。
“这项研究最让我兴奋的是，我们正在深入探究人类运动控制的核心原则——这是长期以来的一个谜团。我们不仅仅是在构建模型，而是在揭示大脑和肌肉如何协同工作的基本机制，”马西斯说。
Meta 发起的 NeurIPS 挑战促使 EPFL 团队为 AI 中称为强化学习的技术寻找新方法。
任务是构建一个能够精确操纵两个保定球的 AI——每个球由 39 块肌肉以高度协调的方式控制。鉴于手部运动的复杂动态，包括肌肉同步和平衡维持，这个看似简单的任务在虚拟环境中极难复制。
在这个竞争激烈的环境中，来自亚历山大·马西斯小组的三名研究生——阿尔贝托·奇亚帕（Alberto Chiappa）、来自日内瓦大学亚历山大·普格特（Alexandre Pouget）小组的巴勃罗·塔诺（Pablo Tano）和尼斯希特·帕特尔（Nisheet Patel）——大幅超越了对手。
他们的 AI 模型在竞赛的第一阶段实现了 100%的成功率，超过了最接近的竞争对手。即使在更具挑战性的第二阶段，他们的模型在更困难的情况下也展现出了实力，并保持领先优势赢得了比赛。
“为了获胜，我们从体育科学中称为从部分到整体训练的人类学习复杂技能的过程中获得了灵感，”马西斯说。这种从部分到整体的方法启发了 AI 模型中使用的课程学习方法，其中控制手部运动的复杂任务被分解为更小、可管理的部分。
“为了克服当前机器学习模型的局限性，我们应用了一种称为课程学习的方法。经过 32 个阶段和近 400 小时的训练，我们成功地训练了一个神经网络，以精确控制一个逼真的人手模型，”奇亚帕说。
该模型成功的一个关键原因是其能够识别和使用基本的、可重复的运动模式，称为运动原语。在一个令人兴奋的科学转折中，这种学习行为的方法可以为神经科学提供关于大脑在确定如何学习运动原语以掌握新任务中的作用的信息。
大脑和肌肉操作之间的这种复杂相互作用表明，构建真正模仿人类运动的机器和修复术是多么具有挑战性。
“你需要很大程度的运动和一个类似于人类大脑的模型来完成各种日常任务。即使每个任务都可以分解为较小的部分，每个任务也需要一组不同的这些运动原语才能做好，”马西斯说。
EPFL 神经 X 研究所神经修复术的领先研究员西尔维斯特罗·米凯拉（Silvestro Micera）是马西斯的合作者，他强调了这项研究对于理解即使是最先进的修复术的未来潜力和当前限制的关键重要性。
“我们现在真正缺少的是对手指运动和抓握运动控制如何实现的更深入理解。这项工作正好朝着这个非常重要的方向发展，”米凯拉指出。
“我们知道将假肢与神经系统连接是多么重要，这项研究为我们提供了坚实的科学基础，强化了我们的策略。”
更多信息：基于课程的强化学习获取肌肉骨骼技能，《神经元》（2024 年）。DOI: 10.1016/j.neuron.2024.09.002.
www.cell.com/neuron/fulltext/S0896-6273(24)00650-0
