روشی که یک نورون، اطلاعات را پردازش می‌کند، هیچ‌گاه یکسان نیست

نورونها اطلاعات را چگونه پردازش می‌کنند؟ باور بر این است نورونها یک سیگنال الکتریکی ورودی را به قطعات کوچکتر تقسیم می‌کنند. اکنون، محققان Blue Brain به این کشف دست یافته‌اند که دندریتها، گیرنده‌های درخت مانند نورون، در کنار یکدیگر بصورت پویا و بسته به حجم کاری، بمنظور یادگیری فعالیت می‌کنند. این یافته‌ها، فهم ما را از چگونگی تفکر فراتر برده و الهام بخش الگوریتمهای جدید برای هوش مصنوعی است.

در مطالعه‌ای که در نشریه Cell Reports منتشر شده‌است، محققان پروژه Blue Brain در EPFL یک قالب جدید بمنظور بررسی نحوه عملکرد یک نورون در مغز، طراحی کرده‌اند.

این بررسی با بهره گیری از سلولهای قشر بینایی مجازی Blue Brain انجام شده‌است. محققان انتظار دارند انواع دیگر نورونها –غیر قشری یا انسانی- نیز به همین ترتیب عمل کنند.

نتایج آنها نشان می‌دهد زمانیکه یک نورون، ورودی دریافت می‌کند، شاخه‌های بسط یافته‌ی درخت مانند که از نورون منشا می‌گیرند و دندریت نام دارند، بصورت عملکردی و به طریقی که متناسب با پیچیدگی ورودی تنظیم شده‌است، با یکدیگر فعالیت می‌کنند.

مطالعه بیشتر: https://virtualdr.ir/2019/06/29/%d8%b1%d9%88%d8%a7%db%8c%d8%aa-%d9%85%d8%ba%d8%b2-%d8%af%da%a9%d8%aa%d8%b1%db%8c%d9%86-%d9%86%d9%88%d8%b1%d9%88%d9%86/

قدرت یک سیناپس، شدت حس یک سیگنال الکتریکی را توسط نورون، تعیین می‌‌کند؛ و عمل یادگیری، این شدت را تغییر می‌دهد. الگوریتم جدید با بررسی “ماتریکس اتصال” که چگونگی برقراری ارتباط این سیناپسها با یکدیگر را تعیین می‌کند، زمان و محل پیوستن سیناپسها به یکدیگر بمنظور تشکیل واحدهای یادگیری مستقل را مشخص می‌سازد. به بیان دیگر، الگوریتم جدید، چگونگی تقسیم عملکردی دندریتهای نورونها بمنظور تشکیل واحدهای محاسبه‌ای را مشخص می‌سازد و دریافته‌است آنها بصورت پویا و بر پایه‌ی حجم کاری، با یکدیگر بمنظور پردازش اطلاعات فعالیت می‌کنند.

محققان نتایج خود را مشابه عملکرد تکنولوژی محاسباتی که امروزه مورد استفاده قرار می‌گیرد، می‌دانند. این عملکرد دندریتی که به تازگی کشف شده‌است، مانند واحدهای محاسباتی موازی عمل می‌کند؛ بدین معنی که یک نورون قادر است جنبه‌های متفاوت یک ورودی را بصورت موازی، همانند ابرکامپیوترها، پردازش کند. هر یک از واحدهای محاسباتی موازی می‌تواند بصورت مستقل، تنظیم ورودی خود را فرا گیرد؛ بیشتر شبیه به عقده‌های شبکه‌های یادگیری عمیق که امروزه در مدلهای هوش مصنوعی (AI) بکار می‌روند. یک نورون در مقایسه با محاسبه‌ی ابری، با توجه به حجم کاری ورودی، بصورت پویا به تعدادی واحد محاسباتی مجزا تقسیم می‌شود.

مارک‌الیور گوالتیگ، مدیر بخش تحریک علوم اعصاب در Blue Brain می‌گوید: “این رویکرد ریاضی در پروژه Blue Brain، ما را در اطمینان حاصل کردن از مرتبط بودن ورودی‌های نورونی با ورودی‌هایی که به واحد پردازش موازی یکسان وارد می‌شوند، یاری می‌کند. این مزیت، ما را قادر می‌سازد تا میزان پیچیدگی را بهنگام مدلسازی شبکه‌های قشری با بازسازی عددی و تحریک مغز، مشخص کنیم.”

واحدهای محاسباتی موازی می‌توانند بصورت مستقل تنظیم ورودی خود را فرا بگیرند

بعلاوه، این مطالعه چگونگی تاثیر این واحدهای پردازشی موازی بر یادگیری، یا بعبارت دیگر تغییر قدرت ارتباط میان نورونهای مختلف، را آشکار می‌سازد. روشی که یک نورون یاد می‌گیرد، به تعداد و موقعیت پردازشگرهای موازی بستگی دارد؛ این موارد نیز به نوبه‌ی خود به سیگنالهای ورودی از دیگر نورونها وابسته هستند. در عوض، سیناپسهای مشخصی زمانیکه سطح ورودی نورون پایین است، بصورت مستقل یاد نمی‌گیرند، ولی در صورت بالاتر بودن سطح ورودی، یادگیری مستقل را آغاز می‌کنند.

مطابق الگوریتمهای یادگیری مرسوم (مانند الگوریتمهایی که در کاربردهای AI استفاده می‌شوند) فرض کنید نورونها واحدهای استاتیک هستند که تنها سیگنالهای ورودی را یکپارچه کرده و دوباره مقیاس بندی می‌کنند. در مقابل، نتایج نشان می‌دهد تعداد و اندازه زیرواحدهای مستقل می‌توانند با ورودی متعادل یا مهار انحرافی، کنترل شوند. محققان اذعان دارند این کنترل موقت بر تقسیم بندی، شامل یک مکانیسم پر قدرت برای یادگیری مبتنی بر شاخه‌ی ویژگی‌های ورودی است.

ویلم ویبو، مولف ارشد مطالعه می‌گوید: “این روش دریافت در بسیاری از شرایط مغزی، نورونها واحدهای پردازشی موازی کمتری در مقایسه با الگوهای شاخه‌ای دندریتی دارند. بهمین دلیل بنظر می‌رسد بسیاری از سیناپسها در “مناطق خاکستری” قرار دارند. مناطق خاکستری، محلهایی هستند که به هیچ واحد پردازشی تعلق ندارند. با این حال، نورونها در مغز، سطوح متفاوتی از ورودی‌های زمینه‌ای دریافت می‌کنند و نتایج ما نشان می‌دهد تعداد پردازشگرهای موازی با توجه به سطوح ورودی‌های زمینه‌ای، تغییر می‌یابد. این یافته نشان می‌دهد یک نورون می‌تواند وظایف محاسباتی متفاوتی در شرایط مختلف مغزی برعهده گیرد.”

گوالتیگ اذعان دارد: “ما در مورد این مشاهده، هیجان زده هستیم زیرا دید جدیدی به وظایف وضعیتهای بالا/پایین در مغز و دلیلی برای چرایی اختصاصیت مکانی مهار قشری فراهم می‌آورد. با این دیدگاه‌های جدید، ما می‌توانیم جستجوی الگوریتمهایی را که از تغییرات سریع بمنظور هماهنگ کردن واحدهای پردازشی بهره می‌برند، آغاز کنیم. این بررسی‌ها، فهم ما از نحوه‌ی محاسبه‌ی مغزی را عمیق‌تر می‌سازد.”