Βρείτε μας στο Google News. Πατήστε εδώ!Μια διεθνής συνεργασία μεταξύ ερευνητών στο RIKEN Center for Brain Science (CBS) στην Ιαπωνία, στο Πανεπιστήμιο του Τόκιο και στο University College του Λονδίνου έδειξε ότι η αυτοοργάνωση των νευρώνων όπως μαθαίνουν ακολουθεί μια μαθηματική θεωρία που ονομάζεται αρχή της ελεύθερης ενέργειας. Η αρχή προέβλεψε με ακρίβεια πώς τα πραγματικά νευρωνικά δίκτυα αναδιοργανώνονται αυθόρμητα για να διακρίνουν τις εισερχόμενες πληροφορίες, καθώς και πώς η μεταβαλλόμενη νευρική διεγερσιμότητα μπορεί να διαταράξει τη διαδικασία.
Τα ευρήματα έχουν επομένως συνέπειες για τη δημιουργία τεχνητής νοημοσύνης που μοιάζει με ζώα και για την κατανόηση περιπτώσεων μειωμένης μάθησης. Η μελέτη δημοσιεύθηκε στις 7 Αυγούστου στο Nature Communications. Όταν μαθαίνουμε να ξεχωρίζουμε τη διαφορά μεταξύ φωνών, προσώπων ή μυρωδιών, τα δίκτυα νευρώνων στον εγκέφαλό μας οργανώνονται αυτόματα έτσι ώστε να μπορούν να διακρίνουν μεταξύ των διαφορετικών πηγών εισερχόμενων πληροφοριών. Αυτή η διαδικασία περιλαμβάνει την αλλαγή της ισχύος των συνδέσεων μεταξύ των νευρώνων και είναι η βάση όλης της μάθησης στον εγκέφαλο.
Ο Takuya Isomura από το RIKEN CBS και οι διεθνείς συνάδελφοί του πρόσφατα προέβλεψαν ότι αυτός ο τύπος αυτοοργάνωσης δικτύου ακολουθεί τους μαθηματικούς κανόνες που ορίζουν την αρχή της ελεύθερης ενέργειας. Στη νέα μελέτη, έθεσαν αυτή την υπόθεση σε δοκιμή σε νευρώνες που ελήφθησαν από εγκεφάλους εμβρύων αρουραίων και αναπτύχθηκαν σε ένα δίσκο καλλιέργειας πάνω από ένα πλέγμα μικροσκοπικών ηλεκτροδίων.
Μόλις μπορέσετε να διακρίνετε δύο αισθήσεις, όπως οι φωνές, θα διαπιστώσετε ότι ορισμένοι από τους νευρώνες σας ανταποκρίνονται σε μία από τις φωνές, ενώ άλλοι νευρώνες ανταποκρίνονται στην άλλη φωνή. Αυτό είναι το αποτέλεσμα της αναδιοργάνωσης των νευρωνικών δικτύων, που ονομάζουμε μάθηση. Στο πείραμα καλλιέργειας τους, οι ερευνητές μιμήθηκαν αυτή τη διαδικασία χρησιμοποιώντας το πλέγμα των ηλεκτροδίων κάτω από το νευρωνικό δίκτυο για να διεγείρουν τους νευρώνες σε ένα συγκεκριμένο μοτίβο που αναμείγνυε δύο ξεχωριστές κρυφές πηγές.
Μετά από 100 προπονήσεις, οι νευρώνες έγιναν αυτόματα επιλεκτικοί—μερικοί ανταποκρίθηκαν πολύ έντονα στην πηγή #1 και πολύ ασθενώς στην πηγή #2, και άλλοι ανταποκρίθηκαν αντίστροφα. Φάρμακα που είτε αυξάνουν είτε μειώνουν τη διεγερσιμότητα του νευρώνα διέκοψαν τη διαδικασία εκμάθησης όταν προστέθηκαν εκ των προτέρων στην καλλιέργεια. Αυτό δείχνει ότι οι καλλιεργημένοι νευρώνες κάνουν ακριβώς αυτό που πιστεύεται ότι κάνουν οι νευρώνες στον εγκέφαλο που λειτουργεί.
Η αρχή της ελεύθερης ενέργειας δηλώνει ότι αυτός ο τύπος αυτοοργάνωσης θα ακολουθεί ένα μοτίβο που ελαχιστοποιεί πάντα την ελεύθερη ενέργεια στο σύστημα. Για να προσδιορίσει εάν αυτή η αρχή είναι η κατευθυντήρια δύναμη πίσω από τη μάθηση νευρωνικών δικτύων, η ομάδα χρησιμοποίησε τα πραγματικά νευρωνικά δεδομένα για να αναστρέψει ένα μοντέλο πρόβλεψης που βασίζεται σε αυτό. Στη συνέχεια, τροφοδότησαν τα δεδομένα από τις πρώτες 10 συνεδρίες εκπαίδευσης ηλεκτροδίων στο μοντέλο και το χρησιμοποίησαν για να κάνουν προβλέψεις για τις επόμενες 90 συνεδρίες.
Σε κάθε βήμα, το μοντέλο προέβλεψε με ακρίβεια τις αποκρίσεις των νευρώνων και την ισχύ της συνδεσιμότητας μεταξύ των νευρώνων. Αυτό σημαίνει ότι η απλή γνώση της αρχικής κατάστασης των νευρώνων είναι αρκετή για να καθοριστεί πώς θα άλλαζε το δίκτυο με την πάροδο του χρόνου καθώς συνέβαινε η μάθηση.
«Τα αποτελέσματά μας υποδηλώνουν ότι η αρχή της ελεύθερης ενέργειας είναι η αρχή αυτο-οργανώσεως των βιολογικών νευρωνικών δικτύων», λέει ο Isomura. «Πρόβλεψε πώς συνέβη η μάθηση κατά τη λήψη συγκεκριμένων αισθητηριακών εισροών και πώς διαταράχθηκε από αλλαγές στη διεγερσιμότητα του δικτύου που προκλήθηκαν από φάρμακα».
«Αν και θα χρειαστεί λίγος χρόνος, τελικά, η τεχνική μας θα επιτρέψει τη μοντελοποίηση των μηχανισμών κυκλώματος των ψυχιατρικών διαταραχών και των επιπτώσεων φαρμάκων όπως τα αγχολυτικά και τα ψυχεδελικά», λέει ο Isomura. «Γενικοί μηχανισμοί για την απόκτηση προγνωστικών μοντέλων μπορούν επίσης να χρησιμοποιηθούν για τη δημιουργία τεχνητών νοημοσύνης επόμενης γενιάς που μαθαίνουν όπως κάνουν τα πραγματικά νευρωνικά δίκτυα».
