這種新穎的機器學習算法——CEBRA植根于數學，可學習神經代碼中的隱藏結構。研究人員利用新算法進行了演示。一只老鼠正在觀看1960年代的黑白電影片段，其中一名男子跑向一輛打開后備箱的汽車；在另一個屏幕上，人們可看到由CEBRA計算出的電影重建畫面，新構建的電影幾乎與原版完全吻合，但有一些輕微的怪異扭曲。

　　CEBRA從原始神經數據中學到的信息可在解碼訓練后進行測試。團隊已證明他們可從模型中解碼老鼠在看電影時所看到的東西。但CEBRA不僅限于視覺皮層神經元，甚至大腦數據，它還可用來預測靈長類動物手臂的運動，并重建老鼠在競技場上自由奔跑時的位置。

　　用于視頻解碼的數據由艾倫腦研所提供，大腦信號是通過插入小鼠大腦視覺皮層區域的電極探針，直接測量大腦活動而獲得，這些探針被設計成使激活的神經元發出綠光。在訓練期間，CEBRA學習將大腦活動映射到特定幀。在以視覺皮層中不到1%的神經元進行測試時，CEBRA表現良好。

　　CEBRA基于對比學習技術，這是一種學習如何將高維數據排列或嵌入到低維空間的技術。與其他算法相比，CEBRA在重建合成數據方面表現出色，這對于比較算法至關重要。它的優勢還在于它能夠跨模式組合數據，例如電影功能和大腦數據，并且它有助于限制細微差別，例如由數據收集方式帶來的數據變化。

　　【總編輯圈點】

　　CEBRA是揭示復雜結構的“專家”。鑒于大腦就是最復雜的結構，這也可看作是CEBRA的終極測試空間。這一研究將幫助人們深入了解大腦處理信息的過程，成為人類發現神經科學新原理的平臺。而該算法的實際意義還不僅限于此，它還能應用于許多涉及時間或聯合信息的數據集，包括動物行為、基因表達數據，以及進一步為人們提供高性能腦機接口所需的理論支持。