Kolumbiya Universiteti Mühəndislik və Tətbiqi Elmlər Məktəbi tərəfindən

Robert Egan tərəfindən redaktə edilib , Andrew Zinin tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Nuttida Rungratsameetaweemana (ən sağda) tədqiqatın həmmüəllifləri Robert Kim və Tomas Aquino (mərkəzdə) ilə birlikdə. Müəllif: Columbia Engineering/Nuttida Rungratsameetaweemana

Nuttida Rungratsametaweemana, nevrologiyanın on illərdir danışdığı bir hekayəyə meydan oxuyur. Ənənəvi hesablamaya görə, gözlərimiz xam məlumat toplayır və onu beynin dərinliklərinə aparan bir sıra sinir və yol stansiyaları vasitəsilə ötürür və nəticədə korteksə çatır. Orada düşüncə, məlumat emal edildikdə və mühakimə yürütmək, mühakimə etmək və qərar qəbul etmək kimi daha yüksək vəzifələr üçün istifadə edildikdə başlayır.

Onun qrupunun işi bu vəziyyəti daha da mürəkkəbləşdirir. Keçən il komanda korteksin ən erkən vizual sahələrində, yəni vizual siqnalları ilk qəbul edən bölgələrdə gözlənilməz aktivlik səviyyələrini göstərən fMRT skanlarını dərc etdi . Gözlərin qəbul etdiyini passiv şəkildə ötürmək əvəzinə, həmin ilk sahələr tədqiqat iştirakçısının nə etdiyindən asılı olaraq eyni məlumatı fərqli şəkildə emal edirdi. Formaları bir qayda dəsti ilə sıralamaq istənildikdə, iştirakçının erkən vizual sistemi bir cür davranırdı. Eyni formaya fərqli qaydalar dəsti tətbiq etmək istənildikdə, o, fərqli davranırdı.

Bu gün PLOS Biology jurnalında dərc olunan yeni bir məqalədə Rungratsametaweemana və onun Columbia Engineering şirkətindəki komandası beynin bunu necə bacara biləcəyini göstərir. Onlar real beyni idarə edən bir çox qaydalara əməl edən sadə bir neyron şəbəkəsi qurdular. Beyin kimi, onların modelində də digər neyronları işə salan bir sinif neyron və işə salmanı basdıran başqa bir sinif neyron var idi.

Komanda, modeldən insan iştirakçılarının fMRI aparatında etdiklərinə bənzər bir tapşırıq yerinə yetirməsini istədi. Tədqiqatçılar neyron şəbəkəsinin problemi necə həll etdiyini görmək üçün modelin içinə baxdıqda, onun rəqəmsal neyronların tək bir düzülüşünə əsaslandığını aşkar etdilər. Digər inhibitor neyronları basdıran inhibitor neyronlar, sistemin “düşünən” hissəsindən sistemin “hiss edən” komponentinə əsas məlumatları ötürür.

Bu naqillərin vacib olub-olmadığını yoxlamaq üçün modeldəki bu əlaqələri zəiflətdilər və tapşırıqlar arasında keçid etmək qabiliyyəti pozuldu. Digər növ əlaqələrin zəifləməsi performansı əsasən dəyişməz qoydu. Bu model canlı beyinə də qarşı çıxdı. Siçanların görmə korteksindən götürülmüş qeydlərdə, bu dövrəni bağlayan inhibitor hüceyrələrin susdurulması, modelin proqnozlaşdırdığı kimi, korteksin tapşırıq kontekstini izləmək qabiliyyətini azaltdı.

Tədqiqat haqqında daha çox məlumat əldə etmək üçün Biotibbi Mühəndislik üzrə dosent Maa-Liao Rungratsametaweemana ilə əlaqə saxladıq.

Bu, ötən ilki fMRI tədqiqatına əsaslanır. Niyə növbəti dəfə süni intellekt modellərinə müraciət etməlisiniz?

Beyin skaneri sizə bütün beynin şəklini verir, lakin bu, kobuddur – fərdi hüceyrələrin nə etdiyini və ya dövrələr səviyyəsində nələrin baş verdiyini görə bilməzsiniz. Hansı bölgələrin işıqlandığını və fəaliyyət nümunələrini görmək bizə daha dərindən araşdırmaq üçün bir səbəb verdi. Mexanizmi anlamaq üçün söküb dəyişdirə biləcəyimiz bir şeyə ehtiyacımız var idi, ona görə də neyron modellərinə müraciət etdik. Biz bunları sıfırdan qururuq ki, şəbəkənin tapşırığı həll etmək üçün nə etdiyini dəqiq görə bilək.

Niyə modelləri bu qədər sadə saxlayırsınız?

Əgər bir modeldə beyində olmayan qabiliyyətlər varsa, onda onun içərisində tapdığımız heç bir şey bizə real beyinlər haqqında çox şey deməyəcək. Beləliklə, biz əksini etdik və yalnız biologiya haqqında doğru olduğunu bildiyimiz xüsusiyyətləri özündə birləşdirən bir şey qurduq. Bunun çox hissəsi, digər tədqiqatlarla yanaşı, məqalənin həmmüəllifləri olan Tomas Qallo Aquino və Robert Kimin əvvəlki işlərinə əsaslanır. Bilirik ki, həyəcanverici və inhibitor neyronlar var, ona görə də onları qurduq. Beynin iyerarxiyada təşkil olunduğunu bilirik, buna görə də məqalənin ikinci hissəsində şəbəkəyə iki bölgə verdik: birbaşa girişi alan sensor modul və aşağıda daha yüksək səviyyəli modul. Sonra şəbəkənin bu maddələrdən tapşırığı yerinə yetirmək üçün necə istifadə etdiyini soruşa bilərik.

Niyə bu inhibitor-inhibitor əlaqələri bu qədər vacibdir?

Onlar sistemə məlumatın necə təmsil olunduğuna çox incə nəzarət verirlər. Bu inhibitor neyronlar hər şeyi yaxşı idarə etmək, düzgün şeyin düzgün şəkildə təmsil olunmasını təmin etmək üçün həqiqətən vacib hala gəlir. Bu hüceyrələr arasında ola biləcək dörd növ əlaqə var və bu cür çevik emal üçün vacib olan inhibisyonun inhibisyona təsir etməsidir. Bunun vacib olduğunu bilirik, çünki model onu götürdüyümüz zaman uğursuz olur. Hələ ki, bunun niyə məhz bu naqillər olması lazım olduğunu bilmirik. Bu sual dünyanın hər yerindəki tədqiqat qrupları üçün vacib bir mövzudur.

Bu tədqiqat xəttinə necə başladınız?

2015-ci ildə yaddaşları formalaşdırmağa və saxlamağa imkan verən hipokampus bölgəsini itirən xəstələrlə işləməyə başladım. Əgər beyin həqiqətən modulyar olsaydı, orta hissəni itirmək sizi bir çox şeyi edə bilməməyə məcbur edərdi. Amma belə deyil. Bu xəstələr hələ də hər cür işi görə bilirlər. Bu, mənim üçün beynin erkən bölgələrinin yalnız sensor məlumatları ötürməkdən daha çox şey etdiyinə dair ilk real dəlil idi. Və bu, faydalı bir şeyə işarə edir: Məlumat artıq saxlanılırsa, bir hissəni itirə və yenə də yaşaya bilərsiniz. Düşünürəm ki, beyin əslində belə işləyir.

Bu, süni intellekt üçün nə demək ola bilər?

Beyni ChatGPT və ya böyük bir dil modeli kimi bir şeylə müqayisə edin. Enerjinin kiçik bir hissəsi ilə və bütün internetdə təlim keçmədən daha çox şey edə bilərik. Beyin buna təkamül yolu ilə, naqillərinə quraşdırılmış artıqlıq vasitəsilə çatıb. Modellərimiz bugünkü böyük dil modellərinin arxasındakı transformatorlardan olduqca fərqli olan təkrarlanan neyron şəbəkələridir. Məqsəd bu prinsipləri bir-bir işləyib hazırlamaq və süni intellektini daha incə və daha uyğun hala gətirmək üçün onlardan istifadə etməkdir. Bu inhibisyon-inhibisyon motivi onlardan biridir.

Növbəti nədir?

Biz insanlara qayıtdıq. Beynin dərinliyinə yerləşdirilmiş elektrodlarla epilepsiya xəstələrini izləyən klinik əməkdaşlarla sıx əməkdaşlıq edirik və bu da xəstələrin idrak tapşırıqlarını yerinə yetirərkən neyron fəaliyyətini birbaşa qeyd etməyimizə imkan verir. Bu incə ölçmələr bizə hipotezlərimizi real neyron fəaliyyəti ilə müqayisə etmək üçün məlumat verəcək.

Nəşr detalları

Disinhibitor siqnalizasiyası kortikal şəbəkələrdə yuxarıdan aşağıya doğru məlumatların çevik kodlaşdırılmasına imkan verir, PLOS Biology (2026). journals.plos.org/plosbiology/ … journal.pbio.3003831 . bioRxiv -də : www.biorxiv.org/content/10.110 … .10.17.562828v2.full

Jurnal məlumatı: PLoS Biology , bioRxiv  

Klinik kateqoriyalar

NevrologiyaKolumbiya Universiteti Mühəndislik və Tətbiqi Elmlər Məktəbi tərəfindən təmin edilir 

Bu hekayənin arxasında kim dayanır?

Robert Egan

Riyazi biologiya üzrə bakalavr, yaradıcı yazı üzrə magistr dərəcəsi. Elm və dilə dair unikal perspektivləri olan çox səyahət etmişəm. Tam profil →

Endryu Zinin

Fizika üzrə magistr dərəcəsi və tədqiqat təcrübəsi. Uzun müddət elm xəbərləri həvəskarı. Science X-in redaksiya uğurunda əsas rol oynayır. Tam profil →

Daha ətraflı araşdırın

Biologiyadan ilhamlanan beyin modeli heyvanların öyrənməsini əks etdirir və gözardı edilən neyron fəaliyyətini ortaya qoyur