Ο τρόπος που ένας νευρώνας επεξεργάζεται πληροφορίες, δεν είναι ποτέ ο ίδιος

στις

Επιμέλεια-Μετάφραση: Πυθεύς

Όπως είναι ήδη γνωστό οι νευρώνες αναλύουν μια εισερχόμενη ηλεκτρική διέγερση σε υπομονάδες (ηλεκτρικούς παλμούς). Ερευνητές που εργάζονται στο πρόγραμμα Blue Brain αποκαλύπτουν σήμερα ότι οι δενδρίτες, οι δενδροειδείς υποδοχείς του νευρώνα, συνεργάζονται στη λειτουργία της μάθησης —δυναμικά και αναλόγως του φόρτου εργασίας. Τα ευρήματα διευρύνουν την κατανόησή μας για τον τρόπο που σκεπτόμαστε και ενδέχεται να εμπνεύσουν την κατασκευή νέων αλγορίθμων για την τεχνητή νοημοσύνη.

Στην εργασία που δημοσιεύθηκε στα επιστημονικά πρακτικά Cell Reports, ερευνητές του προγράμματος Blue Brain στο EPFL, μια πρωτοβουλία της Ελβετίας για τη διερεύνηση του εγκεφάλου, ανέπτυξαν νέο προσεγγιστικό σχέδιο για την κατανόηση της λειτουργίας μεμονωμένων νευρώνων του εγκεφάλου.

Η ανάλυση διενεργήθηκε με χρήση κυττάρων από εικονικό εγκεφαλικό φλοιό τρωκτικού του εργαστηρίου και οι ερευνητές υποθέτουν ότι και άλλοι τύποι νευρώνων, όχι φλοιώδεις ή ανθρώπινοι, λειτουργούν με τον ίδιο τρόπο.

Τα αποτελέσματά τους φανερώνουν ότι όταν ένας νευρώνας λαμβάνει ένα ερέθισμα, οι μικροφυείς διακλαδώσεις (αποφυάδες) των δενδροειδών υποδοχέων που εκτείνονται από τον νευρώνα, οι δενδρίτες, συνεργάζονται λειτουργικά με τρόπο προσαρμοσμένο στην πολυπλοκότητα του εισερχόμενου σήματος.

Η συναπτική δύναμη μιας σύναψης (το σημείο επικοινωνίας των νευρώνων) καθορίζει το πόσο έντονα αισθάνεται ένας νευρώνας κάποια ηλεκτρική διέγερση προερχόμενη από άλλους νευρώνες και η πράξη της μάθησης μεταβάλλει αυτή την ένταση. Αναλύοντας τη μεσοκυττάρια ουσία, η οποία προσδιορίζει τον τρόπο με τον οποίο αυτές οι συνάψεις επικοινωνούν μεταξύ τους, ο αλγόριθμος καταδεικνύει πότε και πού οι συνάψεις συγκροτούν ανεξάρτητες μονάδες μάθησης από τις δομικές και ηλεκτρικές ιδιότητες των δενδριτών. Με άλλα λόγια, ο νέος αλγόριθμος προσδιορίζει το πώς οι δενδρίτες των νευρώνων διαχωρίζονται λειτουργικά σε διακριτές υπολογιστικές μονάδες και βρίσκει ότι συνεργάζονται δυναμικά και σε αναλογία με το φορτίο για να επεξεργαστούν πληροφορίες.

Η συναπτική δύναμη μίας σύναψης εκφράζει την ένταση και τον τρόπο (διεγερτικό, exhitatory ή κατασταλτικό, inhibitory) με τον οποίο ο νευρώνας επηρεάζει ή επηρεάζεται από τους άλλους νευρώνες. Παρ’ όλο που ο διεγερτικός ή κατασταλτικός χαρακτήρας μίας σύνδεσης δεν είναι δυνατό να αλλάξει, η προσαρμογή στο μεταβαλλόμενο περιβάλλον μπορεί να προκαλέσει αλλαγή της έντασης της συναπτικής δύναμης (αύξηση ή μείωση). _βλ. Σελ.256

Οι ερευνητές παρομοιάζουν τα αποτελέσματά τους με τον τρόπο που λειτουργεί η ήδη εφαρμοσμένη σήμερα υπολογιστική τεχνολογία. Η νεοπαρατηρηθείσα αυτή δενδριτική λειτουργικότητα ενεργεί όπως οι παράλληλες υπολογιστικές μονάδες, με την έννοια ότι ένας νευρώνας είναι ικανός να επεξεργαστεί παράλληλα διαφορετικά χαρακτηριστικά του ερεθίσματος, όπως οι υπερυπολογιστές.

Κάθε παράλληλη υπολογιστική μονάδα μπορεί να μάθει να ρυθμίζει την έξοδό της ανεξάρτητα, εξίσου όπως οι κόμβοι των δικτύων βαθιάς γνώσης (deep learning) που χρησιμοποιούνται στα σημερινά μοντέλα τεχνητής νοημοσύνης. Συγκριτικά με το υπολογιστικό νέφος (cloud computing) ένας νευρώνας χωρίζεται στον αριθμό ξεχωριστών υπολογιστικών μονάδων που απαιτούνται από το φόρτο εργασίας της εισαγωγής.

Σύνοψη της δημοσιευμένης εργασίας

Το δενδριτικό δένδρο των νευρώνων παίζει σημαντικό ρόλο στην επεξεργασία της πληροφορίας από τον εγκέφαλο. Παρότι πιστεύεται ότι οι δενδρίτες απαιτούν ανεξάρτητες υπομονάδες για την εκτέλεση της πλειονότητας των υπολογισμών τους, δεν είναι ακόμη κατανοητό το πώς διαμερισματοποιούνται σε λειτουργικές υπομονάδες. Στην εργασία αυτή δείχνουμε το πώς αυτές οι υπομονάδες μπορούν να διακριθούν με βάση τις ιδιότητες των δενδριτών. Σχεδιάσαμε μια τυπολογία (μορφολογικά χαρακτηριστικά) που συνδέει  την δενδριτική δενδροποίηση με ένα δενδροδιάγραμμα βασισμένο στην αντίσταση και δείξαμε πώς η τοπολογία αυτού του γραφήματος αποκαλύπτει ανεξάρτητες υπομονάδες. 

Αυτή η ανάλυση φανερώνει ότι η συλλογικότητα μεταξύ των συνάψεων μειώνεται αργά με αύξηση του ηλεκτρικού διαχωρισμού και κατά συνέπεια ότι λίγες ανεξάρτητες υπομονάδες συνυπάρχουν.  Διαπιστώσαμε ωστόσο ότι ισορροπημένες εισαγωγές ή παρεμπόδιση της αναστολής μπορούν να τροποποιήσουν αυτή την τοπολογία και να αυξήσουν τον αριθμό και το μέγεθος των υπομονάδων με τρόπο εξαρτώμενο από τις συνθήκες. Βρήκαμε επίσης ότι αυτή η δυναμική αναδιαμερισματοποίηση μπορεί να ενεργοποιήσει την εκμάθηση των χαρακτηριστικών του ερεθίσματος από τον συγκεκριμένο κλάδο. Η ανάλυση των πειραμάτων καταγραφής δενδριτικών patch-clamp (βλ. σσ 35-39 ) επιβεβαίωσαν τις θεωρητικές μας προβλέψεις. 

Σύνδεσμοι

Ετικέτες

Provided by

Σχολιάστε

Εισάγετε τα παρακάτω στοιχεία ή επιλέξτε ένα εικονίδιο για να συνδεθείτε:

Λογότυπο WordPress.com

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό WordPress.com. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Google

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Google. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Twitter

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Twitter. Αποσύνδεση /  Αλλαγή )

Φωτογραφία Facebook

Σχολιάζετε χρησιμοποιώντας τον λογαριασμό Facebook. Αποσύνδεση /  Αλλαγή )

Σύνδεση με %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.