ارائه یک الگوی جدید برای نحوه پردازش اطلاعات پیچیده توسط مغز

محققان یک الگوی جدید برای نحوه پردازش اطلاعات پیچیده توسط مغز را ارائه می دهند.

مغز انسان یک پردازنده بسیار پیشرفته می باشد که بیش از 86 میلیارد نورون آن را تشکیل داده اند. انسان ها قادر به تشخیص الگوهایی از شبکه های پیچیده، مانند تشخیص زبان، بوده که این امر بدون هیچگونه دستورالعمل قراردادی، برقرار می باشد. پیش از این، دانشمندان سعی بر توضیح این نوع توانایی، با به تصویر کشیدن مغز به عنوان یک کامپیوتر بسیار بهینه را داشتند. اما امروزه بین دانشمندان علوم اعصاب بحث شده است که این مدل، ممکن است به طور دقیق عملکرد مغز را منعکس نکند.

نویسنده: امیررضا جهانی

اکنون ، محققان Pennsylvania، الگوی متفاوتی برای چگونگی تفسیر الگوهایی از شبکه های پیچیده، توسط مغز را تهیه کرده‌اند. این مدل جدید که در مجله علمی Nature Communications منتشر شده است، نشان می دهد توانایی تشخیص الگوها تا حدودی از هدف مغز ناشی می شود، تا موارد مختلف را به ساده ترین شکل ممکن نمایش دهند. این مدل جدید، مغز را با عنوان تعادل مداوم در میزان دقت و همچنین سادگی در عمل تصمیم گیری به تصویر می کشد.

این پژوهش توسط دانشجوی دکترای فیزیک Christopher Lynn، Ari Kahn دانشجوی دکترای علوم اعصاب و پروفسورDanielle Bassett  رهبری شده است. این مدل جدید براساس این ایده ساخته شده است که افراد در هنگام تلاش برای احساس الگوها، دچار خطا می شوند و این خطاها برای به دست آوردن نگاهی اجمالی به تصویر بزرگتر، ضروری می باشند. Lynn گفت:”اگر به یک نقاشی از فاصله نزدیک نگاه کنید، می توانید نقاط موجود در تصویر را به درستی تشخیص دهید. اگر 6 متر عقب تر بروید، جزئیات موجود در تصویر غیر قابل تشخیص می شوند، اما می توان گفت حس بهتری از ساختار کلی به دست خواهید آورد.”

محققان برای آزمایش فرضیه خود مجموعه ای از آزمایشات مشابه با یک مطالعه قبلی که توسط Kahn صورت گرفته بود را اجرا کردند. این مطالعه دریافت که در چه زمانی، به شرکت کنندگان عناصر تکرار شونده در یک دنباله، مانند A-B-C-B ، نشان داده شده است. آنها به طور خودکار به الگوهای خاصی حساس بودند بدون اینکه صراحتا متوجه حضور الگوها باشند.  Kahnگفت: “اگر دنباله ای از اطلاعات را در هنگام گوش دادن به گفتار بررسی کنید، می توانید آمار و ارقام خاصی را بدون آنکه اطلاعی از آن ها داشته باشید، در بین عناصر انتخاب کنید. “

برای درک اینکه چگونه مغز به طور خودکار چنین پیوندهای پیچیده ای را در توالی درک می کند، در یک مطالعه به 360 شرکت کننده یک صفحه نمایش که در آن پنج مربع خاکستری، متناظر با پنج کلید در یک صفحه کلید، نشان داده شد. هنگامی که دو مربع از پنج مربع خاکستری رنگ به رنگ قرمز تغییر می کردند، شرکت کنندگان می بایست کلیدی که مطابق با مربع در حال تغییر بود را فشار می دادند. برای شرکت کنندگان الگوی تغییر رنگ مربع ها تصادفی بود، اما توالی ها با استفاده از دو نوع شبکه تولید می شدند.

محققان دریافتند که ساختار این شبکه بر روی اینکه شرکت کنندگان با چه سرعتی می توانند به محرک ها پاسخ دهند، تأثیر می گذارد و این موضوع نشانگر انتظارات آنها از الگوهای اساسی می باشد. پاسخ های دریافتی هنگام مشاهده توالی ها توسط شرکت کنندگان در مقایسه با توالی های حاصل از یک شبکه مشبک، سریعتر بود. همچنین توالی هایی که به شرکت کنندگان نشان داده می شد، توسط یک شبکه مدولار(modular)  تولید می شدند.

این دو نوع شبکه در مقیاس وسیع با چشم انسان متفاوت هستند، اما در مقیاس های کوچک از نظر آماری با یکدیگر یکسان بوده به طوریکه حتی اگر شکل کلی متفاوت باشد، میزان گره ها و مرز ها هم یکسان و برابر می باشند. Lynnبیان داشت که یک کامپیوتر به این تفاوت ها در ساختاری با مقیاس بزرگ اهمیتی نمی دهد، اما این در صورتی است که مغز نسبت به این تفاوت ها اهمیت قائل می شود. همچنین افراد قادر به درک ساختار اساسی شبکه مدولار(modular)  بوده و می توانند تصویر را قبل از نمایش پیش بینی کنند.

محققان با استفاده از ابزارهای تئوری اطلاعات و یادگیری تقویتی توانستند از این داده ها برای پیاده سازی معیار پیچیده ای به نام آنتروپی استفاده کنند. Lynn نیز افزود: “میزان بالای تصادفی بودن حداقل کار پیچیده ای است که می توان انجام داد، این درحالیست که اگر دنباله ای را بسیار دقیق مورد یادگیری قرار دهید می توان آن را حداکثر کار پیچیده دانست.”

مدل نتیجه گیری آنها، نحوه پردازش اطلاعات توسط مغز را به عنوان تعادل بین دو فشار متضاد ترسیم می کند: پیچیدگی در مقابل دقت.  Lynn بیان داشت: “شما می توانید بسیار پیچیده باشید و خوب یاد بگیرید ، اما پس از آن واقعاً سخت کار می کنید تا الگوها را بیاموزید.” او ادامه داد: ” و یا شما دارای یک روند با پیچیدگی پایین تری می باشید، که این کار ساده تر بوده اما در کنار این موضوع شما قصد یادگیری الگوها را ندارید. “

محققان با استفاده از الگوی جدید خود و با استفاده از پارامتر بتا، توانستند این تعادل را تعیین کنند. اگر میزان بتا صفر باشد، مغز خطاهای زیادی را ایجاد می کند اما پیچیدگی را به حداقل می رساند. اگر میزان بتا زیاد باشد، برای جلوگیری از خطا، مغز اقداماتی را با احتیاط انجام می دهد. Lynn بیان داشت: “تمام کاری که بتا انجام می دهد هماهنگی بین موارد غالب می باشد.” در این مطالعه ، 20٪ از شرکت کنندگان دارای میزان بتا پایین ، 10٪ دارای میزان بتا زیاد و 70٪ باقی مانده در جایی بین این دو بودند. وی ادامه داد: “می توان مشاهده کرد که این گستردگی از میزان بتا در بین مردم وجود دارد. “

پردازش اطلاعات در مغز

Kahn می گوید که با توجه به حجم عظیمی از اطلاعاتی که مغز باید با تعداد محدودی از منابع و بدون صرف مقدار زمان زیادی در تصمیم گیری های ساده پردازش کند، ایده تعادل نیروها تعجب آور نبود. او گفت: “مغز در حال حاضر مقدار زیادی از وزنهاهای متابولیک را به کار می برد، بنابراین شما واقعاً می خواهید آنچه را که هستید به حداکثر برسانید. اگر شما به چیزی به همان اندازه ی پایه ی توجه، فکر می کنید، یک مصالحه در به حداکثر رساندن دقت در مقابل هر چیز دیگری که نادیده گرفته اید وجود دارد.

و در مورد نقشی که عامل ایجاد خطا می باشند چه می توان گفت؟ مدل آنها از این ایده پشتیبانی می کند که مغز انسان یک ماشین یادگیری بهینه نیست، بلکه ایجاد خطا، و یادگیری از آنها، نقش بزرگی در رفتار و شناخت دارد.

به نظر می رسد که می توان به طور گسترده تری به سیستم های پیچیده نگاه کرد. مانند دور شدن از طرح نقاشی که به مغز از روابط کلی ایده بهتری می دهد.  Kahnبیان داشت: “درک ساختار یا ارتباط این عناصر با یکدیگر، از رمزگذاری ناقص اطلاعات می تواند پدید آید. اگر کسی کاملاً قادر به رمزگذاری تمام اطلاعات دریافتی باشد، اگر حتی کمی از آن مبهم باشد لزوماً قادر به درک همان گروه بندی تجربیاتی که انجام می دهد نخواهد بود.”

 Lynn نیز اظهار داشت:”جالب ترین موردی که وجود دارد این است که در نحوه یادگیری و ادراک جهان توسط مردم خطاهایی رخ می دهد و این خطاها بر توانایی ما در یادگیری ساختارها نیز تأثیر می گذارند. بنابراین ما از چگونگی عملکرد یک کامپیوتر فاصله زیادی داریم. “

محققان اکنون علاقمندند تا متوجه شوند که چه چیزی شبکه مدولار را برای تفسیر مغز آسان تر می کند. آنها همچنین مطالعات عملکردی MRI را مورد بررسی قرار می دهند تا به این موضوع دست یابند که ارتباطات شبکه در کدام قسمت مغز در حال شکل گیری می باشند.

آنها همچنین کنجکاو هستند تا بدانند که آیا توازن پیچیدگی و دقت افراد روان بوده و همچنین آیا افراد می توانند به واسطه خود تغییر کنند یا اینکه آنها از پیش تنظیم شده اند. آنها امیدوار هستند که در آینده آزمایش هایی را با استفاده از ورودی هایی به صورت زبان انجام دهند.

Bassett گفت:”پس از درک بهتر این که چگونه انسان های بالغ و سالم، این نوع از شبکه دنیای ما را می سازند، این موضوع برای ما بسیار مهیج است که شرایط روانی مانند اسکیزوفرنی، که در آن بیماران الگوهای نادرست یا الگوهای تغییر یافته را به واسطه دنیای خود ایجاد می کنند را مورد مطالعه قرار دهیم. آغاز پژوهش در این مورد، راه را برای تلاش های جدید در زمینه نوظهور روان پزشکی محاسباتی هموار می کند. “

منبع


آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی شما را به دنیای یادگیری ماشین و داده کاوی دعوت می‌کند 👌

💯پکیج آموزشی برنامه نویسی متلب 

💯پکیج آموزشی پیاده سازی شبکه های عصبی در متلب

💯شناسایی الگو و یادگیری ماشین فصل یک تا4 (classification & regression)

💯شناسایی الگو و یادگیری ماشین ( Ensemble learning)

💯شناسایی الگو و یادگیری ماشین (dimension reduction)

💯پکیج آموزشی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

0 پاسخ به "ارائه یک الگوی جدید برای نحوه پردازش اطلاعات پیچیده توسط مغز"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد.

*

code

تمام حقوق مادی و معنوی این سایت مربوط به آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی می باشد
X