مقدمه: هوش مصنوعی
با بررسی داده های ام آر آی، محققان، الگوی اتصالات مغزی را بازسازی کردند و آن را در شبکه عصبی مصنوعی یا ANN به کار بردند. این شبکه مصنوعی یک سیستم محاسباتی است که درست مانند مغز بیولوژیک از چندین واحد ورودی و خروجی تشکیل شده است. تیمی از محققان موسسه عصبی مونترال و موسسه هوش مصنوعی کبک، ANN را برای انجام یک وظیفه حافظه شناختی آموزش دادند و نحوه انجام تکلیف را مشاهده کردند.
این یک روش از دوجهت منحصر به فرد است. کارهای قبلی در زمینه اتصالات مغزی، که به عنوان کانکتومیک نیز شناخته می شود، بر توصیف سازماندهی مغز متمرکز بود. درواقع آن روش ها به نحوه انجام محاسبات و عملکردهای مغزی توجه نداشتند.
مدل های مختلف شبکه عصبی در گذشته:
اینها دارای ساختارهای دلخواه بوده که نحوه سازماندهی واقعی شبکه های مغزی را نشان نمی دهد. با ادغام اتصالات مغزی در ساخت معماری ANN، محققان امیدوار بودند که نحوه عملکرد سیم کشی مغز در مهارت های شناختی خاص را بازسازی و درک کنند. دانشمندان برای این کار از طراحی جدیدی استفاده کردند.
آنها دریافتند که شبکه های عصبی با اتصالات مغزی انسان، که به عنوان شبکه های عصبی نورومورفیک شناخته می شوند، وظایف حافظه شناختی را انعطاف پذیرتر و کارآمدتر از سایر معماری های قبل انجام می دهند. شبکه های عصبی نورومورفیک، توانستند از معماری زیرین یکسانی برای پشتیبانی از طیف وسیعی از ظرفیت های یادگیری در زمینه های مختلف استفاده کنند.
دکتر براتیسلاو میشیچ، محقق نویسنده ارشد این مقاله می گوید:
” این پروژه دو رشته علمی خاص و جذاب را را متحد و یکپارچه می کند”. “علوم اعصاب و هوش مصنوعی ریشه های مشترکی دارند، اما اخیراً متفاوت شده اند. استفاده از شبکه های مصنوعی به ما کمک می کند تا بفهمیم چگونه ساختار مغز از عملکرد مغز پشتیبانی می کند. به نوبه خود، استفاده از داده های تجربی برای ایجاد شبکه های عصبی، اصول طراحی برای ایجاد هوش مصنوعی بهتر را آشکار می کند. بنابراین، دو مورد به یکدیگر کمک می کند و درک ما را از مغز غنی می کنند “.
بررسی نتایج مطالعه هوش مصنوعی
در گزارش حاضر، ما از منبع آزاد داده ها برای مطالعه چگونگی شکل گیری ساختار و پویایی شبکه عصبی، یادگیری و محاسبات در شبکه هایی با معماری بر اساس کانکتوم انسانی استفاده کردیم. با استفاده از شبکه های عصبی نورومورفیک، ما نشان می دهیم که معماری های تجربی مشتق شده بهینه عمل می کنند و در تعادل بین ارزش و هزینه تطبیقی بدون توجه به وضعیت پویا، برتری دارند.
ما دریافتیم که عملکرد شبکه توسط توپولوژی شبکه هدایت می شود و سازمان مدولار سیستم های عملکردی در مقیاس بزرگ از نظر محاسباتی مرتبط اند. در کل، ما یک تعامل برجسته بین ساختار شبکه و پویایی را مشاهده می کنیم. به طوری که معماری زیرین یکسان می تواند طیف گسترده ای از ظرفیت های یادگیری را در وضعیت های پویا پشتیبانی کند.
با مطالعه شبکه های عصبی مصنوعی با معماری مبتنی بر کانکتوم، ما شروع به آشکارسازی پیامدهای عملکردی توپولوژی شبکه مغزی می کنیم. مطالعات متعدد به مجموعه ای منحصر به فرد از این سازمان بندی اشاره می کنند.
ویژگی های شبکه های مغزی
ویژگی های شبکه های مغزی و نحوه تأثیر این ویژگی ها بر محاسبات عصبی که از عملکرد شناختی پشتیبانی می کند به طور کامل شناخته شده نیست. با آموزش شبکه هایی با قابلیت اتصال بیولوژیکی واقع بینانه برای انجام یک کار ساده حافظه، نشان می دهیم که کانکتوم ها در مقایسه با جمعیت شبکه هایی با ویژگی های سطح پایین (چگالی ، توالی درجه) اما توپولوژی سطح بالا و تصادفی، به عملکرد برتر دست می یابند.
پژوهش حاضر یک رابطه همزیستی بین ساختار و پویایی را برجسته می کند. یعنی، ویژگی های توپولوژیکی منحصر به فرد مغز تنها در مواقعی که پویایی بسیار مهم است، از عملکرد مطلوب پشتیبانی می کند. درواقع زمانی که ساختار پایدار یا آشفته باشد، رابطه همزیستی بین ساختار و پویایی برقرار نیست. گزارش های متعدد نشان می دهد که مغز، مانند بسیاری از سیستم های پیچیده طبیعی دیگر، به نظم و بی نظمی سیستم مرتبط است.
در این وضعیت بحرانی، تغییرات پویا، می شود. تصور می شود که در این حالت، مزایای سازگاری در محدوده دینامیکی بیشتر شده و وضعیت انتخابی ورودی های ضعیف تقویت می شود. علاوه بر این، مطالعات تجربی متعددی نشان داده است که پویایی عصبی نشان دهنده نوسانات سازگار با یک سیستم شبکه ای در شرایط بحرانی است.
در این بخش بررسی کردیم که ساختار شبکه چگونه بر یادگیری تاثیر می گذارد.
در نهایت توجه می کنیم که نتایج حاضر باید با توجه به محدودیت های مختلف تفسیر شود. برای پاسخدهی به این سوال، ما مدلی را با پویایی ساده و همگن در کل شبکه پیاده سازی کردیم. کارهای آینده باید نقش پویایی های ناهمگن را کشف کنند. ثانیا، پویایی فعلی به تأخیر در انتقال بستگی ندارد. به ما اجازه می دهد تنها بر ساختار شبکه تمرکز کنیم، اما نقش هندسه شبکه را در یادگیری نادیده می گیریم. سوم، ما از تراکتومتری محاسباتی برای بازسازی کانکتوم از تصویربرداری با وزن منتشر شده استفاده کردیم، تکنیکی که مستعد مثبت و منفی کاذب است.
اگرچه ما مراحل را برای تمرکز بر ویژگی های مشترک قابل تکرار این شبکه ها پیاده کردیم، اما آزمایش های آینده را می توان در مورد شبکه هایی که با استفاده از روش های تهاجمی با وفاداری بیشتر مانند ردیابی دستگاه ها طراحی کرد.
علیرغم ریشه های مشترک، علوم عصبی مدرن و هوش مصنوعی مسیرهای متفاوتی را دنبال کرده اند.
پیشرفت های تکنولوژیکی، تحلیلی و نظری، فرصت منحصر به فردی برای همگرایی این دو رشته علمی پر جنب و جوش ارائه می دهد. در اینجا، ما به طور مفهومی علوم اعصاب و هوش مصنوعی را با آموزش نیروهای جدید مغزی برای یادگیری یک کار شناختی پیوند می زنیم.
از دیدگاه پیوندی، این کار اساسا فرصت های جدیدی را برای کشف چگونگی ظهور ظرفیت شناختی از پیوندها و فعل و انفعالات بین مناطق مغزی باز می کند. از منظر هوش مصنوعی، مهندسی معکوس شبکه های بیولوژیکی مغز، ممکن است در نهایت بینش و اصول طراحی جدیدی را برای مهندسی مجدد شبکه ها و سیستم های الهام گرفته از مغز مصنوعی ایجاد کند.
خلاصه
الگوهای اتصال مدارهای عصبی در مغز، یک شبکه پیچیده را تشکیل می دهند. سیگنالینگ جمعی در شبکه به عنوان فعالیت عصبی الگو ظاهر می شود و درواقع تصور می شود که از شناخت و رفتار سازگارانه انسان پشتیبانی می کند. پیشرفت های تکنولوژیکی اخیر، امکان بازسازی شبکه های بیولوژیکی مغز را در مقیاس های بزرگ فراهم می سازد.
این نقشه ها، کانکتوم نامیده می شوند. چندین ویژگی معماری غیر تصادفی، از جمله توزیع درجه های سنگین جوامع جدا شده و یک هسته متراکم را نمایش می دهند. با این حال، نحوه محاسبه و تخصص عملکردی از معماری شبکه ناشناخته است. در اینجا ما پیوندهای مغز انسان را با استفاده از تصویربرداری با وزن منتشر شده در داخل بدن بازسازی می کنیم. در این مطالعه، از محاسبات منبع داده ها برای پیاده سازی کانکتوم ها به عنوان شبکه های عصبی مصنوعی استفاده می کردیم.
سپس ما این شبکه های نورومورفیک را آموزش داده شده تا یک کار کدگذاری حافظه را بیاموزند. ما نشان می دهیم که معماری های عصبی واقع گرایانه بیولوژیکی، وقتی پویایی های بحرانی را به نمایش می گذارند بهترین عملکرد را دارند. دریافتیم که این نحوه عملکرد، بوسیله توپولوژی شبکه هدایت می شود و با سازمان مدولار شبکه های ذاتی از نظر محاسباتی مرتبط است.
ما یک تعامل برجسته بین ساختار شبکه و پویایی را در سرتاسر آن مشاهده کردیم. به گونه ای که معماری زیرین می تواند بسته به وضعیت پویایی که شبکه در آن قرار دارد، طیف وسیعی از مقادیر ظرفیت حافظه و عملکردهای مختلف (رمزگذاری یا رمزگشایی) را پشتیبانی کند. این مطالعه و طراحی شبکه عصبی مصنوعی، فرصت های جدیدی را برای کشف نحوه سازماندهی شبکه مغزی در بهینه سازی ظرفیت شناختی باز می کند.
منبع: https://www.nature.com/articles/s42256-021-00376-1
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.