تعامل بین هوش مصنوعی و علوم اعصاب

  Pandarinath قصد دارد اندام های فلج شده افراد را طوری فعال کند تا بتوانند با بازوی روباتیک مانند اندام های خود، قادر به حرکت کردن باشند. برای رسیدن به این هدف، او  فعالیت های مغز این افراد را جمع آوری کرده است.

امید او و بسیاری از محققان دیگر این است که قادر باشند الگوهای فعالیت الکتریکی در نورون ها را هنگام تلاش فرد برای حرکت یک اندام شناسایی کنند، تا در ساخت پروتز از این اطلاعات استفاده کنند. در واقع به نوعی ذهن افراد را می خوانند.

Pandarinath، یک مهندس پزشکی در موسسه فناوری جورجیا در آتلانتا می گوید: “به نظر می رسد، این یک مشکل واقعا چالش برانگیز است. “سیگنال های مغز – آنها واقعا پیچیده هستند.”

در جستجوی کمک، او به هوش مصنوعی (AI) روی آورد و فعالیت مغزی را که  ثبت کرده بود به یک شبکه عصبی مصنوعی تبدیل کرد. یک معماری کامپیوتری که از مغز الهام گرفته شده است. 

ثبت داده ها از یک زیر مجموعه کوچک از نورون ها در مغز، حدود 200 از 10 میلیون تا 100 میلیون نورون که برای جنبش بازو در انسان ها مورد نیاز است، تهیه شده بود. برای شناخت این نمونه کوچک، کامپیوتر مجبور بود ساختار پنهان داده ها را پیدا کند. این را می توان با الگوهایی که محققان “فاکتورهای نامرئی” می نامند، به دست آورد و رفتار کلی فعالیت ها را کنترل کرد.

. این تلاش “دینامیک زمانی مغز” را به نمایش گذاشت – شیوه ای که الگوی فعالیت عصبی مغز از یک لحظه به لحظه بعد تغییر می کند- در نتیجه مجموعه ای از دستورالعمل های دقیق تر و ظریف تر را برای جنبش بازو نسبت به روش های قبلی ارائه می دهد.

پاندارینات توضیح می دهد: “اکنون، ما می توانیم دقیقا بگویم، در حدود یک میلی ثانیه، در حال حاضر حیوان سعی دارد در این زاویه دقیق حرکت کند.” “این دقیقا همان چیزی است که ما باید بدانیم تا بتوانیم یک بازوی رباتیک را کنترل کنیم.”

کار او فقط یک نمونه از تعامل رو به رشد بین AI و علوم شناختی است. هوش مصنوعی، با توانایی آن برای شناسایی الگوها در مجموعه هایی از داده های بزرگ و پیچیده، در دهه گذشته موفقیت های قابل توجهی را به دست آورده است.

بخشی از این موفقیت ها به دلیل تقلید از چگونگی محاسبات ویژه ای در مغز صورت گرفته است. شبکه های عصبی مصنوعی که شبیه به شبکه های نورونی مغز هستند، توانایی تشخیص تصویر یک گربه از یک نارگیل را دارند تا عابران پیاده را با دقت کافی برای هدایت یک ماشین بدون سرنشین شناسایی کنند و به کلمات واکنش نشان دهند.

در حال حاضر، علم شناختی از قدرت AI استفاده می کند، هم به عنوان یک مدل برای توسعه و آزمایش ایده هایی در مورد چگونگی انجام محاسبات مغز و هم به عنوان یک ابزار برای پردازش مجموعه هایی از داده های پیچیده که محققانی مانند Pandarinath تولید می کنند.

او می گوید: “این تکنولوژی چرخه ای کامل را به نمایش می گذارد و برای شناخت مغز به کار می رود. این چرخه تقویت متقابل، احتمالا ادامه خواهد یافت. همانطور که AI دانشمندان علوم انسانی را قادر می سازد تا بینش بیشتری در مورد چگونگی محاسبات در مغز داشته باشند، هم چنین می تواند منجر به تولید ماشین هایی شود که شباهت ببیشتری به هوش انسانی دارند.

منش Sahani، یک محقق عصب شناختی و محقق در زمینه ی علوم کامپیوتری در بخش علوم اعصاب محاسباتی Gatsby در دانشگاه لندن، می گوید: “این طبیعی است که این دو رشته با یکدیگر هماهنگ شوند.

“ما به طور مؤثری در حال مطالعه یک موضوع مشترک هستیم. از طرفی، ما می خواهیم بدانیم که چگونه این مسئله یادگیری را توسط  محاسبات ریاضی حل کنیم تا بتوانیم آن را به صورت مؤثر در یک ماشین به اجرا درآوریم. از طرف دیگر، ما به تنها اثبات موجود برای حل این مسائل نگاه می کنیم که همان مغز است. “

آنالوگ مغز

موفقیت های AI به خاطر ورود پردازنده های قدرتمند و مقادیر روزافزون داده های بسیار مهم است. اما مفهومی که این پیشرفت ها را پایه ریزی می کند، شبکه عصبی مصنوعی است. این شبکه ها شامل لایه هایی از نودها هستند که مشابه با نورون ها یا سلول های عصبی می باشند.

گره هایی (نورون هایی) که در لایه ورودی قرار گرفته اند به گره هایی که در لایه پنهان وجود دارند، توسط مجموعه ای از وزن های ریاضی که همان سیناپس بین نورون ها است، عمل می کنند و متصل می شوند. لایه پنهان به طور مشابه به یک لایه خروجی وصل شده است.

داده های ورودی برای یک کار مانند تشخیص چهره می تواند یک آرایه از اعداد باشد که هر پیکسل را در یک تصویر از یک چهره در نظر می گیرد .

در آن یک مقیاس 100 نقطه ای از سفید تا سیاه وجود دارند، که می توانند قرمز، سبز یا آبی باشند. داده ها تغذیه می شوند، لایه پنهان سپس آن مقادیر را با وزن اتصالاتی که به آن ها داده شده، چند برابر می کند و یک پاسخ بیرون می آید.

در آموزش سیستم  (یادگیری ماشین) برای تولید پاسخ صحیح، این خروجی ها با شرایطی که خروجی دقیقا همان ورودی باشد، مقایسه می شوند و تفاوت آن ها برای تنظیم وزن بین گره ها استفاده می شود.

نسخه پیچیده ای از این فرایند، به نام شبکه عمیق عصبی (deep neural network)، دارای بسیاری از لایه های پنهان است. شرکت تحقیقاتی DeepMind Technologies لندن که متعلق به شرکت parent google است، Alphabet، رایانه ای را ساخت که یک بازیکن حرفه ای را در بازی شطرنج، در سال 2015، شکست داد. این پیروزی به عنوان یک پیروزی برای هوش مصنوعی در نظر گرفته شد.

دیوید Susillo، یک دانشمند علوم اعصاب محاسباتی با google brain team در سانفرانسیسکو، کالیفرنیا، با پاندارینات در خصوص پروژه او در مورد عوامل پنهان همکاری کردند.

یک شبکه عصبی مصنوعی، تنها یک تقارب خشن از عملکرد مغز است. به عنوان مثال، سیناپس ها را به صورت اعداد در یک ماتریس مدل می کند، درحالیکه آنها قطعات پیچیده ای از ماشین آلات بیولوژیکی هستند که از فعالیت های شیمیایی و الکتریکی برای ارسال یا خاتمه سیگنال استفاده می کنند و با همسایگان خود در الگوهای دینامیک همکاری می کنند.

با این وجود شبکه های عصبی مصنوعی برای مطالعه مغز مفید هستند. اگر چنین سیستمی بتواند یک الگوی فعالیت عصبی ایجاد کند که شبیه الگویی باشدکه از مغز ثبت شده است، دانشمندان می توانند بررسی کنند که مغز چگونه سیستم خروجی خود را تولید می کند. سپس نتیجه گیری کنند که چگونه همان فرآیند را به وجود آورند.

این رویکرد را می توان برای هر کار شناختی مورد توجه دانشمندان علوم انسانی، از جمله پردازش تصویر استفاده کرد. سوسیلو می گوید: “اگر بتوانید یک شبکه عصبی را برای انجام این کار آموزش دهید، شاید بتوانید بدانید که این شبکه چگونه عمل می کند و سپس از آن برای درک اطلاعات بیولوژیکی استفاده کنید.”

کار با داده ها

تکنیک های AI نه فقط برای ساخت مدل ها و ایجاد ایده ها، بلکه به عنوان یک ابزار برای مدیریت داده ها مفید است.

سحانی می گوید: “داده های عصبی به صورت وحشتناکی پیچیده هستند و اغلب ما از تکنیک های یادگیری ماشین به سادگی برای جستجوی ساختار، استفاده می کنیم.” قدرت اصلی یادگیری ماشین در شناخت الگوهایی است که ممکن است بیش از حد ظریف و یا بیش از حد در مجموعه داده های بزرگ دفن شده اند.

برای مثال، تصویربرداری رزونانس مغناطیسی عملکردی یا fMRI، عکس هایی از فعالیت در مغز را با وضوح 1-2 میلیمتر در ثانیه یا بیشتر، به طور بالقوه برای ساعت ها تولید می کند.

نیکولاس ترکروون، یک دانشمند عصبی شناختی در دانشگاه ییل در نیوهیون، کانتیکت، می گوید: “چالش علوم اعصاب شناختی این است که چگونه سیگنال را در تصاویری که بسیار، بسیار بزرگ هستند پیدا کنید.” ترک-براون یکی از افرادی است که بر روی پروژه های متعددی کار می کند که به دنبال بینشی تازه در تقاطع علوم داده و علوم اعصاب هستند.

استفاده از یک ماشین برای تجزیه و تحلیل این داده ها، تحقیقات را سریعتر می کند. سوسیلو می گوید: “این تغییر بزرگی در نحوه انجام علوم اعصاب است.” “دانش آموزان درجه یک نیازی به انجام کارهایی که از ذهن استفاده نمی شود ندارند – می توانند روی سوالات بزرگ تر تمرکز کنند. شما می توانید بسیاری از آن را توسط ماشین، و به دست آوردن نتایج دقیق تر دریافت کنید. “

بازسازی حواس

ساخت یک سیستم مصنوعی که اطلاعات مغز را بازیابی می کرد، روشی است که دانیل یامینز، دانشمند علوم اعصاب محاسباتی در موسسه عصب شناسی وو تسای در دانشگاه استنفورد در کالیفرنیا، به کار گرفته است.

در سال 2014، زمانی که یامینز یک محقق پست دکترا ازموسسه تکنولوژی ماساچوست در کمبریج بود، او و همکارانش یک شبکه عصبی عمیق برای پیش بینی فعالیت مغز یک میمون در هنگام شناسایی اشیاء خاص آموزش دادند.

 تشخیص شیء در انسان و میمونها توسط یک سیستم مغز به نام جریان بینایی-ونترال انجام می شود که دو ویژگی اصلی دارند. اول، رتینوتوپیک هستند، بدین معنا که مسیرهای پردازش تصویری در مغز به گونه ای سازمان یافته اند که نشان دهنده چگونگی گرفتن اطلاعات بینایی توسط چشم می باشند.

دوم، این سیستم به صورت سلسله مراتبی عمل می کند؛ به این معنی که مناطق خاصی از قشر، وظایف تحلیل های پیچیده تر را انجام می دهند درحالیکه بعضی لایه ها فقط خطوط اشیاء را و کلیت آن ها را تشخیص می دهند. مانند یک ماشین یا یک چهره.

جزئیات و نحوه کارکرد لایه های بالاتر به خوبی درک نشده است، اما نتیجه آن این است که مغز می تواند یک شی را در موقعیت های مختلف و تحت شرایط روشنایی مختلف تشخیص  دهد، مثلا در شرایط نوری متفاوت و فاصله آن ها،  بزرگتر یا کوچکتر به نظر می رسند. کامپیوترها اغلب با چنین موانعی مواجه هستند.

یامینز و همکارانش شبکه عصبی عمیق خود را با توجه به ویژگی های  ساختاری رتینوتوپپیک و سلسله مراتب بودن تحلیل اطلاعات همانند مغز ساختند و هزاران تصویر از 64 اشیا را که در ابعاد مختلف مانند اندازه و موقعیت آنها متفاوت بود، نشان دادند. همانطور که شبکه یاد می گیرد برای تشخیص اشیاء، چندین مدل ممکن از فعالیت های عصبی را تولید کند.

محققان سپس این الگوهای کامپیوتری را با الگوهای ثبت شده از نورونهای میمون مقایسه کردند در حالی که آنها یک کار مشابه را انجام دادند. معلوم شد که نسخه های شبکه ای که در شناسایی اشیاء بهترین بود، آنهایی بودند که دارای الگوهای فعالیت با بیشترین همبستگی با مغز میمون بودند.

Yamins می گوید: “آنچه که شما می بینید این است که ساختار شبکه توسط ساختار نورون ها تقلید می شود.” محققان توانستند نواحی شبکه خود را با نواحی از مغز با دقت 70٪ تطابق دهند.

نتایج به دست آمده نشان داد که ساختارجریان بصری-ونترال برای توانایی پردازش بسیار مهم است. در سال 2018 یامینز و همکارانش با استفاده از قشر شنوایی، یک عمل مشابه را انجام دادند که در آن، یک شبکه عصبی عمیق ایجاد کردند که قادر بود کلمات و ژانرهای موسیقی را از کلیپ های 2 ثانیه ای به اندازه دقت یک انسان شناسایی کند.

این کار به محققان کمک کرد تا مشخص کنند کدام مناطق قشر مغز مختص به تشخیص گفتار و کدامیک موسیقی را تشخیص می دهد – هرچند گامی کوچک برای درک سیستم شنوایی است.

دانشمندان علوم اعصاب هنوز فاصله زیادی برای کشف و درک فهمیدن این موضوع دارند که چگونه مغز می تواند موسیقی جاز از موسیقی راک را تمییز دهد. اما یادگیری ماشین به آنها امکان می دهد تا مدل هایی را برای کشف چنین سوالاتی بسازند.

یامینز می گوید، اگر محققان بتوانند سیستم هایی را طراحی کنند که به طور مشابه با مغز عمل کنند، طراحی آنها می تواند ایده هایی در مورد چگونگی حل وظایف مغز را ارائه کند.

این موضوع بسیار حائز اهمیت است، زیرا دانشمندان اغلب فرضیه های کاربردی برای چگونگی عملکرد مغز ندارند. ساخت یک ماشین که کار خاصی را انجام می دهد، حداقل یک توضیح ممکن برای اینکه چگونه مغز همان کار را به انجام می رساند، به آنها می دهد.

پس از آنکه محققان یک فرضیه ایجاد کرده اند، گام بعدی این است که آن را آزمایش کنند. مدلهای AI یک بار دیگر می توانند با ارائه نمایشی از فعالیت مغز که می توانند برای تعیین یک عامل خاص در انجام یک کار خاص مورد استفاده قرار گیرند، کمک می کنند.

محققان محدودیت های ملاحظات اخلاقی را از لحاظ چگونگی مداخله در فرآیندهای مغز سالم انسان باید در نظر بگیرند، بنابراین بسیاری از ثبت فعالیت های عصبی در افراد از مغز افرادی به دست می آیند که مبتلا به صرع هستند و به این علت بافت مغزی آن ها خارج می شود . بنابراین می توان الکترودهایی را در مغ اینگونه افراد قرار داد، زیرا بافت مغز آن ها در هر صورت خارج خواهد شد.

مدل های حیوانی محققان را قادر می سازد تا از روش های تهاجمی بیشتری استفاده کنند، اما رفتارهای انسانی، به ویژه گفتار، نمی تواند در گونه های دیگر تکرار شود.

سیستم های AI که می توانند رفتار انسان را تقلید کنند و بدون مشکلات اخلاقی تحریک شوند، ابزارهای اضافی را برای بررسی عملکرد مغز در اختیار دانشمندان می گذارند: محققان می توانند یک شبکه را برای گفتار آموزش دهند سپس آن را برای مشاهده وقایع تخریب کنند.

نگرانی های مشترک

علوم رایانه و علوم شناختی به برخی از سوالات بزرگ دست می یابند و کار کردن در مورد چگونگی پاسخ دادن به به این سوالات در هر یک از این زمینه ها می تواند هر دو زمینه را به جلو براند.

یک سوال این است: دقیقا چگونه یادگیری رخ می دهد. شبکه های عصبی عمدتا یادیگری با نظارت را انجام می دهند. به عنوان مثال، برای شناختن تصویر، ممکن است تصاویری از ImageNet نمایش داده شود (یک پایگاه داده از بیش از 14 میلیون عکس از اشیاء که توسط افراد دسته بندی شده و نام گذاری شده اند). شبکه ها یک درک آماری از آنچه تصاویر با همان برچسب – ‘گربه’، به عنوان مثال – دارند، به وجود می آورند. هنگامی که یک تصویر جدید نشان داده می شود، شبکه ها آن را برای ویژگی های عددی مشابه بررسی می کنند؛ اگر آنها یک تشابه  پیدا کنند، تصویر را به عنوان یک گربه اعلام خواهند کرد.

Tomaso Poggio، یک دانشمند علوم اعصاب محاسباتی در مرکز مغز، ذهن و ماشین، که بخشی از موسسه فناوری ماساچوست است می گوید، این بدان معنی نیست که نوزادان اینگونه یاد می گیرند”.

او می گوید: “یک کودک چیزی در حدود یک میلیارد تصویر در دو سال اول زندگی می بیند.” اما تعداد کمی از این تصاویر علامت گذاری شده اند – تنها بخش کوچکی از اشیاء به طور فعال نامگذاری می شوند. پگجیو می گوید: “ما نمی دانیم چگونه با آن برخورد کنیم.” “ما نمی دانیم که چگونه ماشین هایی را به وجود آوریم که اغلب از اطلاعات بدون برچسب یاد می گیرند.”

آزمایشگاه او در مراحل ابتدایی یک پروژه است که شبکه های عصبی را قادر می سازد تا یادگیری بدون نظارت را با ایجاد الگوهایی از فیلم های بدون برچسب، به وجود آورد. پگجیو می گوید: “ما می دانیم که زیست شناسی می تواند این کار را انجام دهد.” “اما این سوال پیش می آید که چگونه.”

Yamins در حال یادگیری بی نظیر با برنامه هایی است که از نحوه بازی کردن بچه ها تقلید  می کنند، که محیط اطراف را از طریق تعاملات تصادفی بازجویی و به آرامی درک می کنند و سپس یاد می گیرند چگونه جهان کار می کند.

یکی دیگر از مسائل مهم و قابل توجه این است که آیا برخی از جنبه های هوش توسط تکامل ایجاد شده اند. به عنوان مثال، به نظر می رسد که افراد به تشخیص چهره به عنوان یک چهره نگاه کنند؛ نوزادان می توانند از ساعت های اول زندگی چهره را تشخیص دهند. Poggio

پیشنهاد می کند که ژن های ما یک مکانیزم برای یادگیری این کار را به سرعت و در اوایل زندگی توسعه می دهند. تجزیه و تحلیل اینکه آیا این ایده درست است، دانشمندان علوم کامپیوتر را قادر می سازد تا یک راه برای کمک به ماشین آلات برای یادگیری فراهم کنند. و

دیگر محققان در حال مطالعه پایه عصبی “اخلاق” هستند. Poggio می گوید: “مردم از ماشین های” بد “ترس دارند. “ما احتمالا بهتر می دانیم که چگونه رفتار اخلاقی را در ماشین های خود به وجود آوریم و ماشین های “خوب” و اخلاقی را بسازیم.”

یامینز میگوید دشوار است ببینیم که چگونه علوم اعصاب قادر به کشف نحوه کار یادگیری بدون نظارت خواهد بود. او می گوید: “اگر شما یک راه حل هوش مصنوعی نداشته باشید، اگر هیچ کاری انجام ندهید که مصنوعی باشد، احتمالا نمیتوانید مغز را مدل سازی کنید.”

 احتمال دارد که دانشمندان علوم کامپیوتر با یک یا چند راه حل، دانشمندان علوم اعصاب را قادر به آزمایش کنند. او می گوید “ممکن است معلوم شود که این مدل ها اشتباه هستند، اما به همین دلیل آنها را بررسی می کنید.”

پاسخ دادن به این معماها می تواند ماشین های هوشمند بیشتری را ایجاد کند که بتوانند از محیط هایشان یاد بگیرند و می توانند سرعت و پردازش قدرت کامپیوترها را با توانایی های انسانی بیشتر ترکیب کنند.

توانایی های داده کاوی و مدل سازی از رایانه ها در حال پیشرفت  هستند. سوسیلو می گوید: “AI می خواهد تأثیر زیادی بر علوم اعصاب داشته باشد، و من می خواهم بخشی از آن باشم.”