کوزاچکوف که یکی از سرپرستان بود گفت: “بیشتر مردم فکر میکنند که حافظه فعال در نورونها اتفاق میافتد. فعالیت عصبی مداوم باعث ایجاد افکار مداوم میشود. با این حال، این دیدگاه اخیراً مورد بررسی قرار گرفته است زیرا واقعاً با دادهها موافق نیست.” توسط نویسنده ارشد، ژان ژاک اسلوتین، استاد BCS و مهندسی مکانیک. با استفاده از شبکههای عصبی مصنوعی با انعطافپذیری سیناپسی کوتاهمدت، نشان میدهیم که فعالیت سیناپسی (بهجای فعالیت عصبی) میتواند بستری برای حافظه فعال باشد. نکته مهم از مقاله ما این است: این مدلهای شبکههای عصبی پلاستیکی بیشتر مغزی هستند. مانند، از نظر کمی، و همچنین دارای مزایای عملکردی اضافی از نظر استحکام است.”
تطبیق مدل ها با طبیعت
لئو کوزاچکوف، نویسنده همکار، که دکترای خود را در ماه نوامبر در MIT برای کار مدلسازی نظری از جمله این مطالعه دریافت کرد، گفت که تطبیق مدلهای کامپیوتری با دادههای دنیای واقعی بسیار مهم است.
هدف کوزاچکوف در کنار یکی از نویسندگان، جان تاوبر، دانشجوی کارشناسی ارشد MIT، نه تنها تعیین نحوه نگهداری اطلاعات حافظه کاری در ذهن، بلکه روشن ساختن روشی بود که طبیعت واقعاً این کار را انجام می دهد. این به معنای شروع با اندازهگیری «حقیقت زمینی» از فعالیت الکتریکی صدها نورون در قشر جلوی مغز حیوان در حین انجام یک بازی حافظه فعال بود. در هر یک از دورهای متعدد تصویری به حیوان نشان داده شد که سپس ناپدید شد. یک ثانیه بعد دو تصویر از جمله اصلی را میدید و برای کسب پاداش کمی مجبور بود به تصویر اصلی نگاه کند. لحظه کلیدی آن ثانیه میانی است که «دوره تاخیر» نامیده میشود، که در آن تصویر باید قبل از آزمایش در ذهن نگه داشته شود.
بین زمانی که رمز وای فای را از صفحه منوی کافه میخوانید تا زمانی که میتوانید به لپتاپ خود بازگردید و آن را وارد کنید، باید آن را در نظر داشته باشید. اگر تا به حال به این فکر کرده اید که مغز شما چگونه این کار را انجام می دهد، سؤالی در مورد حافظه فعال می پرسید که محققان دهه ها تلاش کرده اند توضیح دهند. اکنون دانشمندان علوم اعصاب MIT یک بینش کلیدی جدید برای توضیح نحوه عملکرد آن منتشر کرده اند.
در لایه دیگری از تجزیه و تحلیل، تیم یک رمزگشا برای خواندن اطلاعات از وزن سیناپسی ایجاد کرد. آنها دریافتند که در طول دوره تاخیر، سیناپسها اطلاعات حافظه کاری را نشان میدهند که spiking نشان نمیدهد.
در حالی که هر دو مدل اجازه میدادند اطلاعات را در ذهن داشته باشند، فقط نسخههایی که به سیناپسها اجازه میدادند به طور موقت اتصالات را تغییر دهند (“پلاستی سیناپسی کوتاهمدت”) الگوهای فعالیت عصبی را تولید کردند که از آنچه در مغز واقعی در کار مشاهده میشد تقلید میکردند. ارل کی میلر، نویسنده ارشد این مقاله اذعان داشت که این ایده که سلولهای مغز با همیشه روشن بودن، خاطرات را حفظ میکنند، ممکن است سادهتر باشد، اما نشاندهنده کاری نیست که طبیعت انجام میدهد و نمیتواند انعطافپذیری پیچیده فکری را که میتواند از متناوب ناشی میشود ایجاد کند. فعالیت عصبی با انعطاف پذیری سیناپسی کوتاه مدت پشتیبانی می شود.
نتیجه این است که شبکههای محاسباتی که به شکلپذیری سیناپسی کوتاهمدت برای رمزگذاری اطلاعات اجازه میدهند، زمانی که مغز واقعی اوج میگیرد، افزایش مییابد و در زمانی که این کار را نمیکند، این کار را انجام نمیدهد. شبکههایی که دارای اسپک ثابت بهعنوان روشی برای حفظ حافظه هستند، همیشه از جمله زمانی که مغز طبیعی این کار را نمیکند، افزایش مییابد. و نتایج رسیور نشان داد که دقت در طول دوره تاخیر در مدلهای پلاستیسیته سیناپسی کاهش یافته است، اما در مدلهای spiking مداوم به طور غیر طبیعی بالا باقی مانده است.
کوزاچکو، ال. و همکاران (2022) حافظه کاری قوی و مغز مانند از طریق انعطاف پذیری سیناپسی کوتاه مدت. زیست شناسی محاسباتی PLOS. doi.org/10.1371/journal.pcbi.1010776.
منبع
علاوه بر میلر، کوزاچکوف، تاوبر و اسلوتین، نویسندگان دیگر مقاله میکائیل لوندکویست و اسکات برینکت هستند.
کوزاچکوف گفت در میان دو مدلی که دارای انعطاف پذیری سیناپسی کوتاه مدت بودند، واقع بینانه ترین آنها “PS-Hebb” نام داشت که دارای یک حلقه بازخورد منفی است که شبکه عصبی را پایدار و قوی نگه می دارد.
عملکرد حافظه فعال
علاوه بر تطابق بهتر با طبیعت، مدلهای پلاستیسیته سیناپسی مزایای دیگری نیز به همراه دارد که احتمالاً برای مغز واقعی مهم است. یکی این بود که مدلهای پلاستیسیته حتی پس از از بین رفتن نیمی از نورونهای مصنوعی، اطلاعات را در وزن سیناپسی خود حفظ کردند. مدلهای فعالیت مداوم پس از از دست دادن تنها 10 تا 20 درصد از سیناپسهای خود شکست خوردند. و، میلر افزود، فقط اسپک زدن گهگاهی به انرژی کمتری نسبت به اسپک زدن مداوم نیاز دارد.
تیم به طور مداوم آنچه را که آزمایشگاه میلر قبلاً بارها دیده است مشاهده کرد: نورونها هنگام دیدن تصویر اصلی به شدت بالا میآیند، در طول تأخیر فقط بهطور متناوب میجهند، و زمانی که تصاویر باید در طول آزمایش فراخوانی شوند، مجدداً افزایش مییابند (این پویاییها توسط اثر متقابل ریتم مغزی فرکانس بتا و گاما). به عبارت دیگر، زمانی که اطلاعات باید در ابتدا ذخیره شوند و زمانی که باید فراخوانی شوند، اسپک قوی است، اما زمانی که باید حفظ شود، پراکنده است. اسپک در طول تأخیر مداوم نیست.
ارل کی میلر، استاد علوم اعصاب Picower در بخش مغز و علوم شناختی MIT (BCS)
منبع:
شما به این نوع مکانیسمها نیاز دارید تا به فعالیت حافظه فعال آزادی لازم برای انعطافپذیری بدهید. اگر حافظه کاری به تنهایی فعالیت ثابتی داشته باشد، به سادگی یک کلید چراغ خواهد بود. اما حافظه فعال به اندازه افکار ما پیچیده و پویا است.”
در مطالعه ای در زیست شناسی محاسباتی PLOS، دانشمندان در موسسه یادگیری و حافظه Picower، اندازه گیری فعالیت سلول های مغز را در حیوانی که وظیفه حافظه کاری را انجام می دهد، با خروجی مدل های مختلف رایانه ای مقایسه کردند که نشان دهنده دو نظریه از مکانیسم اساسی برای نگهداری اطلاعات در ذهن است. نتایج به شدت از این ایده جدیدتر حمایت می کند که شبکه ای از نورون ها اطلاعات را با ایجاد تغییرات کوتاه مدت در الگوی اتصالات یا سیناپس های خود ذخیره می کنند و با جایگزین سنتی که حافظه توسط نورون ها به طور مداوم فعال می مانند (مانند یک موتور بیکار) در تضاد بود. ).
دفتر تحقیقات نیروی دریایی، بنیاد JPB، و کمک های مالی شروع ERC و VR بودجه این تحقیق را تامین کردند.
محققانی از جمله مارک استوکس در دانشگاه آکسفورد پیشنهاد کردهاند که تغییرات در قدرت نسبی یا “وزن” سیناپسها میتواند اطلاعات را به جای آن ذخیره کند. تیم MIT این ایده را با مدلسازی محاسباتی شبکههای عصبی که دو نسخه از هر نظریه اصلی را در بر میگیرد، آزمایش کردند. همانند حیوان واقعی، شبکههای یادگیری ماشین برای انجام همان کار حافظه کاری و خروجی فعالیت عصبی که میتواند توسط رمزگشا نیز تفسیر شود، آموزش دیدهاند.
علاوه بر این، میلر گفت، انفجارهای سریع به جای اسپک زدن مداوم، فضا را برای ذخیره بیش از یک مورد در حافظه به موقع باز می کند. تحقیقات نشان داده است که افراد می توانند تا چهار چیز مختلف را در حافظه فعال نگه دارند. آزمایشگاه میلر آزمایشهای جدیدی را برنامهریزی میکند تا تعیین کند که آیا مدلهای دارای اسپک متناوب و ذخیرهسازی اطلاعات مبتنی بر وزن سیناپسی، با دادههای عصبی واقعی مطابقت دارند یا خیر، زمانی که حیوانات باید چندین چیز را به جای یک تصویر در ذهن داشته باشند.
علاوه بر این، این تیم نرمافزار «رمزگشا» را آموزش داد تا اطلاعات حافظه کاری را از اندازهگیریهای فعالیت اسپکینگ بخواند. زمانی که اسپک بالا بود، دقت بالایی داشتند، اما در زمان کم بودن، مانند دوره تاخیر، دقت بالایی داشتند. این نشان می دهد که spiking اطلاعات را در طول تاخیر نشان نمی دهد. اما این یک سوال حیاتی را ایجاد کرد: اگر اسپیکینگ اطلاعات را در ذهن نگه نمیدارد، چه کاری انجام میدهد؟
مرجع مجله: