مکانیسم جدید یادگیری مغز نیاز به تجدید نظر در فرضیه طولانی مدت علم اعصاب دارد

مغز یک شبکه پیچیده است که حاوی میلیاردها نورون است. هر یک از این نورون‌ها به طور همزمان با هزاران نورون دیگر از طریق سیناپس‌ها (پیوندها) ارتباط برقرار می‌کنند و سیگنال‌های دریافتی را از طریق چندین «بازو» بسیار بلند و شاخه‌دار، که درختان دندریتیک نامیده می‌شوند، جمع‌آوری می‌کنند.

در 70 سال گذشته، یک فرضیه اصلی علم اعصاب این بوده است که یادگیری مغز با تغییر قدرت سیناپس ها، به دنبال فعالیت شلیک نسبی نورون های اتصال دهنده آنها اتفاق می افتد. این فرضیه مبنایی برای الگوریتم های ماشینی و یادگیری عمیق بوده است که تقریباً بر تمام جنبه های زندگی ما تأثیر می گذارد. اما پس از هفت دهه، این فرضیه طولانی مدت اکنون زیر سوال رفته است.

در مقاله ای که امروز در گزارش های علمیمحققان دانشگاه Bar-Ilan در اسرائیل نشان می‌دهند که مغز کاملاً متفاوت از آنچه از قرن بیستم تصور می‌شد یاد می‌گیرد. مشاهدات تجربی جدید نشان می‌دهد که یادگیری عمدتاً در درختان دندریتیک عصبی انجام می‌شود، جایی که تنه و شاخه‌های درخت قدرت خود را تغییر می‌دهند، برخلاف اصلاح تنها قدرت سیناپس‌ها (برگ‌های دندریتیک)، همانطور که قبلاً تصور می‌شد. این مشاهدات همچنین نشان می دهد که نورون در واقع یک عنصر بسیار پیچیده، پویا و محاسباتی تر از یک عنصر باینری است که می تواند شلیک کند یا نه. تنها یک نورون می‌تواند الگوریتم‌های یادگیری عمیق را که قبلاً به یک شبکه پیچیده مصنوعی متشکل از هزاران نورون و سیناپس متصل نیاز داشت، درک کند.

پروفسور ایدو گفت: “ما نشان داده ایم که یادگیری کارآمد بر روی درختان دندریتی یک نورون واحد می تواند به طور مصنوعی به نرخ موفقیت نزدیک به وحدت برای تشخیص رقم دست نویس دست یابد. این یافته راه را برای نوع جدیدی از سخت افزار و الگوریتم های هوش مصنوعی با الهام از بیولوژیکی هموار می کند.” کانتر، از دپارتمان فیزیک و مرکز تحقیقات چند رشته ای مغز گوندا (Goldschmied) Bar-Ilan که این تحقیق را رهبری کرد. Shiri Hodassman، Ph.D، اضافه کرد: «این مکانیسم یادگیری ساده نشان دهنده گامی به سوی تحقق بیولوژیکی قابل قبول الگوریتم های پس انتشار است که در حال حاضر تکنیک اصلی در هوش مصنوعی است. دانشجو و یکی از عوامل کلیدی این کار.

یادگیری کارآمد در درختان دندریتیک بر اساس شواهد تجربی کانتر و تیم تحقیقاتی او برای سازگاری زیر دندریتی با استفاده از کشت های عصبی، همراه با سایر خواص ناهمسانگرد نورون ها، مانند شکل موج های مختلف سنبله، دوره های نسوز و حداکثر سرعت انتقال است.

ساعت مغز یک میلیارد بار کندتر از GPUهای موازی موجود است، اما با نرخ موفقیت قابل مقایسه در بسیاری از کارهای ادراکی.

نمایش جدید یادگیری کارآمد بر روی درختان دندریتی نیازمند رویکردهای جدید در تحقیقات مغزی و همچنین تولید سخت‌افزار مشابه با هدف اجرای الگوریتم‌های هوش مصنوعی پیشرفته است. اگر کسی بتواند دینامیک مغز آهسته را روی رایانه های فوق سریع پیاده کند، آسمان محدودیت دارد.