Изучение опровергает вековую теорию познания мозга.

26 ноября 2017
Изучение опровергает вековую теорию познания мозга.

Изучение опровергает вековую теорию познания мозга.

Изучение опровергает вековую теорию познания мозга.

В статье, которая сейчас публикуется в журнале Scientific Reports, авторы описывают, как они пришли к такому выводу после изучения компьютерных моделей нейронов и клеточных культур.

В обширной нейронной сети мозга нейроны ведут себя как крошечные микрочипы, которые принимают входы через дендриты и — при определенных условиях — создают выходы, используя свои аксоны.

Аксоны, в свою очередь, соединяются с дендритами других нейронов через связи, называемые синапсами. На нейрон приходится гораздо больше синапсов, чем на дендриты.

Важным результатом нового исследования является то, что, поскольку в нем предлагается, чтобы обучение происходило на дендритах, а не синапсах, параметры обучения для каждого нейрона намного меньше, чем предполагалось ранее.

«В этом новом процессе изучения дендритов, — отмечает старший автор исследования профессор Идо Кантер из Междисциплинарного центра исследований мозга Гонды при Университете Бар-Илан в Израиле, — есть несколько адаптивных параметров на нейрон, по сравнению с тысячами крошечных и чувствительных параметров в синаптическом сценарии обучения».

Обучение происходит быстрее, чем мы думали.

Другим важным результатом нового исследования является то, что процесс обучения происходит гораздо быстрее в новой дендритной модели, чем в традиционной синаптической модели.

Полученные результаты могут иметь важное значение для лечения мозговых расстройств и разработки компьютерных приложений, таких как «алгоритмы глубокого изучения» и искусственный интеллект, которые основаны на имитации того, как работает мозг.

Исследователи предполагают, что в последнем случае их исследование открывает путь к разработке более продвинутых функций и значительно более высокой скорости обработки.

Традиционная синаптическая модель обучения уходит корнями в новаторскую работу Дональда Хебба, которая была опубликована в 1949 году в книге «Организация поведения».

Эта модель, которую профессор Кантер и его коллеги называют «обучение по ссылкам», предполагает, что «параметры обучения», которые изменяются в процессе обучения, отражают количество синапсов, или связей на нейрон, которые являются вычислительными единицами в нейронной сети.

«Обучение через узлы

В своей новой модели, которую они называют «обучение узлами», исследователи предлагают, чтобы параметры обучения отражали не количество синапсов, которых много на нейрон, а количество дендритов, или узлов, из которых лишь несколько на нейрон.

Поэтому, как они объясняют, «в сети соединяющих нейронов» количество параметров обучения на нейрон в синаптической модели «значительно больше», чем в дендритной модели.

Основной целью их исследования было сравнение «кооперативных динамических свойств между синаптическим (связующим) и дендритным (узловым) сценариями обучения».

Авторы исследования пришли к выводу, что их результаты «убедительно свидетельствуют о том, что более быстрый и эффективный процесс обучения происходит в нейронных дендритах, подобно тому, что в настоящее время приписывается синапсам».

Слабые синапсы играют ключевую роль в обучении.

Другой важный вывод исследования состоит в том, что слабые синапсы, которые составляют большую часть мозга и которые, как считалось, играют незначительную роль в обучении, на самом деле очень важны.

Авторы отмечают, что «динамика в основном противоречит интуиции, обусловленной слабыми звеньями».

Похоже, что в дендритной модели слабые синапсы вызывают колебания параметров обучения, а не переход к «нереалистичным фиксированным крайностям», как в синаптической модели.

Профессор Кантер подводит итоги, сравнивая их с тем, как мы должны измерять качество воздуха.

«Имеет ли смысл, — спрашивает он, — измерять качество воздуха, которым мы дышим, с помощью многих миниатюрных, удаленных спутниковых датчиков на высоте небоскреба или с помощью одного или нескольких датчиков в непосредственной близости от носа»?

» Точно так же более эффективно нейрону оценивать входящие сигналы вблизи его вычислительной единицы — нейрона».