مغز انسان
مغز انسان به دلیل پیچیدگی هنوز به طور کامل درک نشده است. برای دهه های متمادی، محققان بر درک اصول و اعمال جزئی مغز انسان و به طور کلی مغز پستانداران تمرکز کرده اند. عملکردهای منحصر به فرد مغز پستانداران، مانند پردازش موازی اطلاعات، مصرف انرژی کم و ظرفیت یادگیری، آن را جذاب کرده است. نورون های غیر قابل اعتماد در مغز آشنا می شویم.
این قابلیت‌های منحصربه‌فرد نه تنها برای دانشمندان علوم اعصاب، بلکه برای فیزیکدانان و مهندسان برق/مواد نیز مورد توجه است. تلاش های زیادی برای تحقق بخشیدن به “مغزهای مصنوعی” با تکنیک های سخت افزاری یا مبتنی بر نرم افزار انجام شده است.
به ویژه، دومی اغلب در شبکه عصبی سیلیکو نامیده می شود. در اینجا، اصطلاح “مغز مصنوعی” یک سیستم الکترونیکی را نشان می دهد. سیستمی که برخی از عملکردهای عصبی محدود را تقلید می کند. به طور کلی، از چنین تلاش هایی اغلب به عنوان مهندسی نورومورفیک یاد می شود. عبارتی که توسط کارور مید ابداع شده است.
عناصر اساسی در مغز پستانداران، یک شبکه عصبی پیچیده، نورون ها و سیناپس ها هستند.
سیناپس ها ارتباط بین نورون های همسایه را تعریف می کنند و به عنوان حافظه های محلی عمل می کنند. سیناپس ها و نورون ها نیز عناصر اساسی در شبکه های عصبی مصنوعی (ANN) هستند.
توجه داشته باشید که در این مطالعه ANN شبکه های مبتنی بر سخت افزار و نرم افزار را نشان می دهد. نورون ها از اهمیت قابل توجهی برخوردار هستند. زیرا پتانسیل های عمل (که به عنوان اسپایک نیز شناخته می شوند) تولید می کنند. به عنوان واحدهای اطلاعاتی در شبکه های عصبی کار می کنند.
انواع مختلفی از مدل‌های نورون مصنوعی را می‌توان در شبکه‌های عصبی مصنوعی به کار برد. مدل هایی که می توانند به راحتی در شبکه های عصبی مصنوعی پیاده سازی شوند.
تلاش برای تحقق انواع مختلف نورون‌های سخت‌افزاری مصنوعی
نورون های غیرقابل اعتماد در مغز
مغز از میلیون ها میلیارد نورون تشکیل شده است که با یکدیگر ارتباط برقرار می کنند. هر نورون ورودی های متعدد خود را جمع آوری می کند. یک اسپایک را به نورون های متصل خود منتقل می کند. پویایی چنین شبکه های عصبی بزرگ و بسیار به هم پیوسته اساس همه عملکردهای مغزی مرتبه بالا است. چیزی از نورون های غیر قابل اعتماد در مغز شنیده اید؟
مقاله ای چند روز اخیر در ژورنال Scientific Reports منتشر شد. گروهی از دانشمندان به طور تجربی نشان داده اند که دوره های مکرر سکوت وجود دارد که در آن یک نورون به ورودی های خود پاسخ نمی دهد. برخلاف دستگاه های الکترونیکی که سریع و قابل اعتماد هستند. مغز از نورون های غیرقابل اعتماد تشکیل شده است.
پروفسور ایدو کانتر، از بار، گفت:
«یک گیت منطقی همیشه خروجی یکسانی را به ورودی یکسان می‌دهد. در غیر این صورت دستگاه‌های الکترونیکی مانند تلفن‌های همراه و رایانه‌ها که از میلیاردها گیت منطقی به هم پیوسته تشکیل شده‌اند، به خوبی کار نمی‌کنند». گروه فیزیک دانشگاه ایلان و مرکز تحقیقات چند رشته ای مغز گوندا (گلدشمید) که این مطالعه را رهبری کردند.
مقایسه غیرقابل اعتماد بودن مغز با رایانه یا تلفن همراه:
یک بار رایانه شما 1+1=2 و بار دیگر 1+1=5 پاسخ می دهد. یا شماره گیری 7 در تلفن همراهتان به دفعات می تواند منجر به 4 یا 9 شود. به نظر می‌رسد یک نقطه ضعف بزرگ برای مغز باشد. اما آخرین یافته‌های ما خلاف این را نشان داده است.»
برخلاف آنچه ممکن است فکر کنیم، کانتر و تیم ثابت کرده‌اند که دوره‌های خاموشی نورون‌ها یک نقطه ضعف نیست. یا اینکه نشان‌دهنده محدودیت‌های بیولوژیکی نیست. بلکه مزیتی برای شناسایی توالی زمانی است. “فرض کنید می خواهید شماره تلفن 0765 را به خاطر بسپارید”.
مکانیسم خاموش کردن مغز منبع پیشنهادی برای مکانیزم هوش مصنوعی جدید است. علاوه بر این به عنوان منشا نوع جدیدی از سیستم رمزنگاری برای تشخیص دست خط در ماشین‌های باجه خودکار (ATM) نشان داده شده است.
این سیستم رمزنگاری به کاربر این امکان را می‌دهد تا به جای کلیک کردن روی یک پین در دستگاه خودپرداز، شماره شناسایی شخصی (PIN) خود را روی برد الکترونیکی بنویسد.
شناسایی توالی توسعه یافته توسط کانتر و تیم، بر اساس دوره های خاموشی عصبی، قادر به شناسایی پین صحیح است. همچنین می تواند سبک دست خط شخصی کاربر و زمان بندی که در آن هر رقم از پین روی تخته نوشته می شود را شناسایی کند. این ویژگی های اضافه شده به عنوان محافظ در برابر کارت های سرقت شده عمل می کنند. حتی اگر دزد پین کاربر را بداند.
خلاصه: دوره های خاموشی عصبی یک نقطه ضعف نیست که نشان دهنده محدودیت های بیولوژیکی است، بلکه یک مزیت برای شناسایی توالی زمانی است. منبع: دانشگاه بار ایلان
مکانیسم خاموشی نورونی الهام گرفته از مغز، نورون های غیرقابل اعتماد در مغز
روش های موجود از شبکه های عصبی مکرر استفاده می کنند که از مشکلات آموزشی رنج می برند. با این حال، انجام این عملکرد بدون حلقه های بازخورد همچنان یک چالش است.
در اینجا، ما یک مکانیسم انعطاف پذیری طولانی مدت عصبی عصبی را برای شبکه‌های شناسایی دنباله پیش‌خور با دقت بالا (ID-nets) بدون حلقه‌های بازخورد ارائه می‌کنیم. که در آن اشیاء ورودی دارای نظم و زمان مشخصی هستند.
این مکانیسم نورون‌ها را به‌دنبال فعالیت‌های اخیرشان به‌طور موقت خاموش می‌کند. بنابراین، اشیاء گذرا بر روی شبکه‌های فرعی فید فوروارد مختلف ایجاد شده به صورت پویا عمل می‌کنند.
شبکه‌های ID برای شناسایی قابل اعتماد 10 توالی رقمی دست‌نویس نشان داده شده‌اند. همچنین به شبکه‌های عصبی کانولوشنال عمیق با گره‌های فعال‌سازی پیوسته آموزش‌دیده بر روی توالی‌های تصویر تعمیم داده می‌شوند.
عملکرد طبقه‌بندی آن‌ها، حتی با تعداد محدودی از نمونه‌های آموزشی، برای توالی‌ها بالاست. اما برای اشیاء منفرد پایین است. شبکه‌های ID نیز برای شناسایی وابسته به نویسنده پیاده‌سازی می‌شوند و به عنوان یک ابزار رمزنگاری برای احراز هویت رمزگذاری شده پیشنهاد می‌شوند. مکانیسم ارائه شده افق های جدیدی را برای الگوریتم های ANN پیشرفته باز می کند.
برای اطلاعات بیشتر با ما در انستیتو سلامت مغز دانا در ارتباط باشید.
منبع: Unreliable Neurons Improve Brain Functionalities – Neuroscience News
درباره نویسنده
خجسته رحیمی جابری، پژوهشگر دکترای تخصصی علوم اعصاب دانشگاه علوم پزشکی شیراز و نویسنده وب سایت انستیتو سلامت مغز دانا. زمینه کاری تخصصی ایشان مشکلات حافظه و آلزایمر است وی بیش از 20 مقاله معتبر بین المللی در این زمینه به چاپ رسانده است. می توانید پژوهش های او را در اینجا (کلیک کنید) دنبال کنید.