Larry Hardesty
«Υπάρχει μια στενή αντιστοιχία μεταξύ ό, τι χρειάζεστε για την επικοινωνία σε ταχέως μεταβαλλόμενες δίκτυα και την επεξεργασία πληροφοριών στον εγκέφαλο», λέει ο καθηγητής Nancy Lynch. «Προσπαθούμε να βρούμε τα προβλήματα που μπορούν να επωφεληθούν από αυτό το ... περισσότερα
Ερευνητές στο Επιστήμης Υπολογιστών του MIT και Τεχνητής Νοημοσύνης Εργαστήριο έχουν αναπτύξει ένα νέο υπολογιστικό μοντέλο ενός νευρωνικού κυκλώματος στον εγκέφαλο, η οποία θα μπορούσε να ρίξει φως στο βιολογικό ρόλο των ανασταλτικών νευρώνων-νευρώνες που κρατούν άλλους νευρώνες από το ψήσιμο.
Το μοντέλο περιγράφει ένα νευρωνικό κύκλωμα που αποτελείται από μία συστοιχία των νευρώνων εισόδου και ισοδύναμο αριθμό των νευρώνων εξόδου. Το κύκλωμα εκτελεί ό, τι νευροεπιστήμονες καλέσετε μια λειτουργία «νικητής τα παίρνει όλα", στην οποία σηματοδοτεί από πολλούς νευρώνες εισόδου επάγει ένα σήμα σε ένα μόνο νευρώνα εξόδου.
Χρησιμοποιώντας τα εργαλεία της θεωρητικής επιστήμης των υπολογιστών, οι ερευνητές αποδεικνύουν ότι, στο πλαίσιο του μοντέλου τους, μια ορισμένη διαμόρφωση των ανασταλτικών νευρώνων παρέχει τα πλέον αποτελεσματικά μέσα της θέσπισης ενός νικητής τα παίρνει όλα λειτουργία. Επειδή το μοντέλο κάνει εμπειρικές προβλέψεις για τη συμπεριφορά των ανασταλτικών νευρώνων στον εγκέφαλο, προσφέρει ένα καλό παράδειγμα του τρόπου με τον οποίο υπολογιστική ανάλυση θα μπορούσε να βοηθήσει τις νευροεπιστήμες.
Οι ερευνητές θα παρουσιάσουν τα αποτελέσματά τους αυτή την εβδομάδα στο συνέδριο για Καινοτομίες στη Θεωρητική Επιστήμη των Υπολογιστών. Nancy Lynch, η NEC Καθηγητής του Τμήματος Επιστήμης και Τεχνολογίας Λογισμικού στο MIT, είναι ο ανώτερος συντάκτης στο χαρτί. Της ενώνονται με Merav Parter, μεταδιδακτορικός στην ομάδα της, και την Cameron Musco, μια μεταπτυχιακός φοιτητής του MIT στο Τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών.
Για χρόνια, η ομάδα Lynch έχει σπουδάσει επικοινωνία και την κατανομή των πόρων σε δίκτυα ad hoc δίκτυα των οποίων τα μέλη είναι συνεχώς αφήνοντας και επανασύνδεση. Όμως, πρόσφατα, η ομάδα έχει αρχίσει να χρησιμοποιεί τα εργαλεία της ανάλυσης του δικτύου για τη διερεύνηση βιολογικών φαινομένων.
«Υπάρχει μια στενή αντιστοιχία μεταξύ της συμπεριφοράς των δικτύων υπολογιστών ή άλλων συσκευών, όπως κινητά τηλέφωνα και ότι από βιολογικά συστήματα», λέει ο Lynch. «Προσπαθούμε να βρούμε τα προβλήματα που μπορούν να επωφεληθούν από αυτή την άποψη κατανεμημένων υπολογιστών, με έμφαση σε αλγορίθμους για την οποία μπορούμε να αποδείξουμε μαθηματικές ιδιότητες."
τεχνητή νευρολογία
Τα τελευταία χρόνια, τα τεχνητά νευρωνικά δίκτυα μοντέλα υπολογιστή προσέγγιση με βάση τη δομή του εγκεφάλου, έχουν την ευθύνη για μερικές από τις πιο ραγδαία βελτίωση των συστημάτων τεχνητής νοημοσύνης, από τη μεταγραφή ομιλίας για το λογισμικό αναγνώρισης προσώπου.
Ένα τεχνητό νευρωνικό δίκτυο αποτελείται από «κόμβους» ότι, όπως και μεμονωμένων νευρώνων , έχουν περιορισμένη δύναμη επεξεργασίας πληροφοριών, αλλά είναι πυκνά διασυνδεδεμένα. Τα δεδομένα τροφοδοτούνται στο πρώτο στρώμα των κόμβων. Εάν τα δεδομένα που λαμβάνονται από ένα δεδομένο κόμβο πληρούν κάποια κατώφλι κριτήριο-για παράδειγμα, όταν αυτή υπερβαίνει μια συγκεκριμένη τιμή-κόμβος "φωτιές", ή στέλνει σήματα κατά μήκος όλων των εξερχόμενων συνδέσεις.
Κάθε μια από αυτές τις εξερχόμενες συνδέσεις, ωστόσο, έχει ένα αντίστοιχο "βάρος", το οποίο μπορεί να αυξήσει ή να μειώσει ένα σήμα. Κάθε κόμβος στο επόμενο στρώμα του δικτύου λαμβάνει σταθμισμένο σήματα από πολλαπλούς κόμβους στο πρώτο στρώμα? Τους προσθέτει μαζί, και πάλι, αν το άθροισμά τους υπερβαίνει κάποιο όριο, οι πυρκαγιές. εξερχόμενα σήματα της να περάσει στο επόμενο στρώμα, και ούτω καθεξής.
Σε εφαρμογές της τεχνητής νοημοσύνης, ένα νευρικό δίκτυο "εκπαιδευμένο" στο δείγμα δεδομένων, συνεχή προσαρμογή βάρη της και το ψήσιμο όρια μέχρι την έξοδο της τελικής στρώσης της αποτελεί συνέπεια τη λύση σε κάποιο υπολογιστικό πρόβλημα.
βιολογική αληθοφάνεια
Lynch, Parter και Musco γίνει αρκετές τροποποιήσεις σε αυτό το σχέδιο να καταστεί πιο βιολογικά αληθοφανής. Η πρώτη ήταν η προσθήκη της ανασταλτικής «νευρώνες». Σε μια πρότυπη τεχνητό νευρωνικό δίκτυο, οι τιμές των βαρών για τις συνδέσεις είναι συνήθως θετικά ή ικανό να είναι είτε θετική είτε αρνητική. Αλλά στον εγκέφαλο, κάποιοι νευρώνες φαίνεται να παίζουν έναν καθαρά ανασταλτικό ρόλο, εμποδίζοντας άλλους νευρώνες από το ψήσιμο. Οι ερευνητές του MIT ως πρότυπο αυτών των νευρώνων ως κόμβοι των οποίων οι συνδέσεις έχουν μόνο αρνητικά βάρη.
Πολλές εφαρμογές τεχνητής νοημοσύνης χρησιμοποιούν επίσης "feed-εμπρός" δίκτυα, στα οποία τα σήματα διέρχονται μέσω του δικτύου σε μία μόνο κατεύθυνση, από το πρώτο στρώμα, το οποίο λαμβάνει δεδομένα εισόδου, με την τελευταία στρώση, η οποία παρέχει το αποτέλεσμα ενός υπολογισμού. Αλλά συνδέσεις στον εγκέφαλο είναι πολύ πιο περίπλοκη. Lynch, Parter, και Musco το κύκλωμα περιλαμβάνει έτσι ανατροφοδότησης: Τα σήματα από τους νευρώνες εξόδου περάσει στα ανασταλτικών νευρώνων, των οποίων η παραγωγή με τη σειρά του περνά πίσω στους νευρώνες εξόδου. Η σηματοδότηση από τους νευρώνες εξόδου και τρέφεται πίσω στον εαυτό της, η οποία είναι αναγκαία για την θέσπιση ο νικητής τα παίρνει όλα στρατηγικής.
Τέλος, το δίκτυο των ερευνητών του MIT είναι πιθανολογική. Σε ένα τυπικό τεχνητό νευρωνικό δίκτυο, αν οι τιμές εισόδου ενός κόμβου υπερβαίνει κάποιο όριο, οι πυρκαγιές κόμβο. Αλλά στον εγκέφαλο, αυξάνοντας την ισχύ του σήματος που ταξιδεύουν πάνω από ένα νευρώνας εισόδου αυξάνει τις πιθανότητες ότι ένας νευρώνας εξόδου θα φωτιά. Το ίδιο ισχύει και για τους κόμβους στο μοντέλο των ερευνητών. Και πάλι, η τροποποίηση αυτή είναι ζωτικής σημασίας για τη θέσπιση της winner-take-all στρατηγική.
Στο μοντέλο των ερευνητών, ο αριθμός των νευρώνων εισόδου και εξόδου είναι σταθερή, και η εκτέλεση του winner-take-all υπολογισμός είναι καθαρά έργο μιας τράπεζας βοηθητικών νευρώνων. «Προσπαθούμε να δείτε το trade-off μεταξύ του υπολογιστικού χρόνου για την επίλυση ενός δεδομένου προβλήματος και τον αριθμό των βοηθητικών νευρώνων," Parter εξηγεί. «Θεωρούμε ότι οι νευρώνες είναι ένας πόρος? Δεν θέλουμε πάρα ξοδεύουν πολύ από αυτό."
αρετές αναστολή της
Parter και οι συνάδελφοί της ήταν σε θέση να αποδείξει ότι με ένα μόνο ανασταλτικό νευρώνα, είναι αδύνατο, στο πλαίσιο του μοντέλου τους, να θέσουν σε ισχύ ο νικητής τα παίρνει όλα στρατηγικής. Αλλά δύο ανασταλτικών νευρώνων είναι επαρκείς. Το κόλπο είναι ότι ένα από τα ανασταλτικών νευρώνων-που οι ερευνητές αποκαλούν σύγκλιση νευρώνα-στέλνει ένα ισχυρό ανασταλτικό σήμα εάν περισσότερα από ένα νευρώνα εξόδου ψήσιμο. Το άλλο ανασταλτικό νευρώνα η σταθερότητα νευρώνα στέλνει ένα πολύ ασθενέστερο σήμα όσο τυχόν νευρώνες εξόδου ψήσιμο.
Ο νευρώνας σύγκλιση οδηγεί το κύκλωμα για να επιλέξετε ένα μόνο νευρώνα εξόδου, σε ποιο σημείο σταματάει το ψήσιμο? ο νευρώνας σταθερότητα εμποδίζει ένα δεύτερο νευρώνα εξόδου από το να γίνει ενεργό φορά ο νευρώνας σύγκλιση έχει απενεργοποιηθεί. Τα κυκλώματα αυτο-ανάδραση από τους νευρώνες εξόδου ενισχυθεί αυτό το αποτέλεσμα. Όσο περισσότερο ένας νευρώνας εξόδου έχει απενεργοποιηθεί, το πιο πιθανό είναι να παραμείνει off? όσο περισσότερο αυτό είναι επάνω, το πιο πιθανό είναι να παραμείνει επί. Μόλις επιλεγεί ένα μόνο νευρώνα εξόδου, το κύκλωμα αυτο-ανάδραση του εξασφαλίζει ότι μπορεί να ξεπεράσει την αναστολή του νευρώνα σταθερότητας.
Χωρίς τυχαιότητα, όμως, το κύκλωμα δεν θα συγκλίνουν σε ένα μόνο νευρώνα εξόδου: Οποιαδήποτε ρύθμιση των βαρών των ανασταλτικών νευρώνων »θα επηρεάσει όλους τους νευρώνες εξόδου εξίσου. "Χρειάζεται τυχαιότητα να σπάσει η συμμετρία," Parter εξηγεί.
Οι ερευνητές ήταν σε θέση να καθορίσει τον ελάχιστο αριθμό των βοηθητικών νευρώνων που απαιτείται για να εγγυηθεί μια συγκεκριμένη ταχύτητα σύγκλισης και τη μέγιστη ταχύτητα σύγκλισης δυνατόν δοθεί συγκεκριμένο αριθμό βοηθητικών νευρώνων.
Η προσθήκη περισσότερων νευρώνων σύγκλιση αυξάνει την ταχύτητα σύγκλισης, αλλά μόνο μέχρι ενός σημείου. Για παράδειγμα, με 100 νευρώνες εισόδου, δύο ή τρεις νευρώνες σύγκλισης είναι όλα όσα χρειάζεστε? προσθέτοντας ένα τέταρτο δεν βελτιωθεί η αποδοτικότητα. Και μόνο ένα νευρώνα σταθερότητα είναι ήδη η βέλτιστη.
Αλλά ίσως πιο ενδιαφέρουσας, οι ερευνητές έδειξαν ότι η συμπερίληψη των διεγερτικών νευρώνων-νευρώνων που διεγείρουν, παρά αναστέλλουν, ψήσιμο-as άλλους νευρώνες »καθώς και ανασταλτικών νευρώνων μεταξύ των βοηθητικών νευρώνες δεν μπορεί να βελτιώσει την απόδοση του κυκλώματος. Ομοίως, οποιαδήποτε διάταξη των ανασταλτικών νευρώνων που δεν τηρούν τη διάκριση μεταξύ των νευρώνων σύγκλισης και σταθερότητας θα είναι λιγότερο αποτελεσματική από ό, τι αυτό που κάνει.
Υποθέτοντας, λοιπόν, ότι η εξέλιξη τείνει να βρουν αποτελεσματικές λύσεις σε προβλήματα μηχανικού, το μοντέλο προτείνει τόσο μια απάντηση στο ερώτημα γιατί ανασταλτικών νευρώνων βρίσκονται στον εγκέφαλο και μια δελεαστική ερώτηση για την εμπειρική έρευνα: Να πραγματικό ανασταλτικών νευρώνων επιδεικνύουν την ίδια διαίρεση μεταξύ νευρώνες σύγκλισης και νευρώνες σταθερότητα;
«Αυτός ο υπολογισμός του ο νικητής τα παίρνει όλα είναι αρκετά ευρεία και χρήσιμη μοτίβο που βλέπουμε σε όλο τον εγκέφαλο», λέει ο Σάκετ Navlakha, επίκουρος καθηγητής στο Integrative Εργαστήριο Βιολογίας του Ινστιτούτου Salk για τις βιολογικές μελέτες. «Σε πολλές αισθητήρια συστήματα-για παράδειγμα, το οσφρητικό σύστημα έχει χρησιμοποιήσει για να δημιουργήσει αραιά κώδικες."
"Υπάρχουν πολλές κατηγορίες των ανασταλτικών νευρώνων που έχουμε ανακαλύψει, και ένα φυσικό επόμενο βήμα θα ήταν να δούμε αν κάποια από αυτές τις κατηγορίες χάρτη για με αυτές που προβλέπεται σε αυτή τη μελέτη», προσθέτει.
«Υπάρχει πολλή δουλειά στις νευροεπιστήμες σε υπολογιστικά μοντέλα που λαμβάνουν υπόψη τους πολύ περισσότερες λεπτομέρειες σχετικά όχι μόνο ανασταλτικών νευρώνων αλλά τι πρωτεΐνες οδηγούν αυτούς τους νευρώνες και ούτω καθεξής», λέει ο Ziv Bar-Joseph, καθηγητής της επιστήμης των υπολογιστών στο πανεπιστήμιο Carnegie Mellon. "Nancy κέρδισε παγκόσμια προβολή του δικτύου και όχι κοιτάζοντας τις συγκεκριμένες λεπτομέρειες. Σε αντάλλαγμα παίρνει τη δυνατότητα να εξετάσουμε μερικές πτυχές μεγαλύτερης εικόνας. Πόσες ανασταλτικών νευρώνων χρειάζεστε πραγματικά; Γιατί έχουμε τόσο λίγες σε σύγκριση με τα διεγερτικά νευρώνες ; Η μοναδική πτυχή εδώ είναι ότι αυτή η παγκόσμια κλίμακα μοντέλων σας δίνει έναν τύπο πολύ υψηλότερο επίπεδο της πρόβλεψης. " https://techxplore.com/news/2017-01-role-neurons.html?utm_source=nwletter&utm_medium=email&utm_campaign=daily-nwletter
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου
skaleadis