A CCN-nél kifejlesztett új modell azt feltételezi, hogy az egyes neuronok jobban irányítják környezetüket, mint azt korábban gondolták. A frissített neuronmodell végső soron erősebb mesterséges neurális hálózatokhoz vezethet, amelyek jobban megragadják agyunk erejét – állítják a modellfejlesztők.

A kutatók a Proceedings of the National Academy of Sciences folyóiratban megjelent cikkben mutatják be a modellt .

„Az idegtudomány meglehetősen sokat fejlődött az elmúlt 60 évben, és most már felismerjük, hogy a neuronok korábbi modelljei meglehetősen kezdetlegesek” – mondja Dmitri Chklovskii, a CCN csoportvezetője és az új tanulmány vezető szerzője. „A neuron sokkal összetettebb eszköz – és sokkal okosabb -, mint ez a túlságosan leegyszerűsített régi modell.”

A mesterséges neurális hálózatok célja, hogy utánozzák az emberi agy információfeldolgozási és döntéshozatali módját, bár sokkal egyszerűbb módon. Ezek a hálózatok a „csomópontok” rendezett rétegeiből épülnek fel, az 1960-as évek neuronmodellje alapján. A hálózat a csomópontokból álló bemeneti réteggel kezdődik, amely információt fogad, majd középső csomóponti rétegei vannak, amelyek feldolgozzák az információkat, majd egy kimeneti csomóponti réteggel ér véget, amely elküldi az eredményeket.

Általában egy csomópont csak akkor ad át információt a következő rétegnek, ha az előző réteg csomópontjaitól kapott összes bemenet meghaladja egy bizonyos küszöbértéket. Amikor a jelenlegi mesterséges neurális hálózatokat betanítják, az információ csak egy irányba halad át egy csomóponton, és nincs mód a csomópontok számára, hogy befolyásolják a lánc korábbi csomópontjaitól kapott információkat.

Ezzel szemben az újonnan közzétett modell a neuronokat apró „vezérlőkként” kezeli, amelyek a környezetükről gyűjtött információk alapján képesek befolyásolni környezetüket. Nem pusztán passzív bemeneti közvetítők, agysejtjeink valóban működhetnek a többi neuron állapotának szabályozásában.

Chklovskii úgy véli, hogy a neuron-mint vezérlőnek ez a valósághűbb modellje jelentős lépést jelenthet számos gépi tanulási alkalmazás teljesítményének és hatékonyságának javítása felé.

„Bár az AI eredményei nagyon lenyűgözőek, még mindig sok probléma van” – mondja. „A jelenlegi alkalmazások rossz válaszokat adhatnak, vagy hallucinálhatnak, és képzésük sok energiát igényel; nagyon drágák. Úgy tűnik, vannak olyan problémák ezek között, amelyeket az emberi agy elkerül. Ha meg tudnánk érteni, hogyan is működik az agy, jobb mesterséges intelligenciát építhetnénk.”

A neuron, mint vezérlő modellt az ihlette, amit a tudósok értenek az agyban lévő nagyméretű, sok neuronból álló áramkörökről. A legtöbb agyi áramkörről úgy gondolják, hogy visszacsatolási hurokba szerveződik , ahol a feldolgozási lánc későbbi szakaszában lévő sejtek befolyásolják azt, ami a láncban korábban történik.

Chklovskii szerint nem volt teljesen nyilvánvaló, hogy ezt a fajta visszacsatolásos vezérlést egy egyedi agysejt is megvalósíthatja. Munkatársaival együtt rájöttek, hogy a közvetlen adatvezérelt vezérlésnek nevezett új szabályozási forma egyértelmű és elég hatékony ahhoz, hogy biológiailag elfogadható legyen, mivel az egyes sejtekben zajlik.

„Az emberek úgy gondolták, hogy az agy egésze vagy akár egy része is vezérlő, de senki nem utalt arra, hogy egyetlen idegsejt képes lenne erre” – mondja Chklovskii. „Az irányítás egy számításigényes feladat. Nehéz elképzelni, hogy egyetlen neuron is komoly számítási kapacitással rendelkezik.”

Chklovskii szerint a neuronok minikontrollerként való szemlélése számos korábban megmagyarázhatatlan biológiai jelenséget is megmagyaráz. Például régóta nagyra értékelték, hogy sok zaj van az agyban, és ennek a biológiai véletlenszerűségnek a célját vitatták, de a CCN csapata modellezése során megállapította, hogy bizonyos típusú zajok valóban javíthatják a neuronok teljesítményét.

Pontosabban, azoknál a csomópontoknál, ahol az egyik neuron kapcsolódik a másikhoz (úgynevezett „szinapszisok”), gyakran előfordulnak olyan esetek, amikor egy neuron elektromos jelet továbbít, de a lefelé kapcsolt neuron nem kapja meg az üzenetet. Azt, hogy a lefelé irányuló neuron kap-e szinaptikus jelet, és mikor, úgy tűnik, nagyrészt a véletlentől függ.

Míg más tudósok azt feltételezték, hogy ez a véletlenszerűség csak a kis biológiai rendszerek természetéből fakad, és nem fontos a neuronok viselkedése szempontjából, a Flatiron csapat úgy találta, hogy a modellneuronhoz zaj hozzáadásával az alkalmazkodni tudott a folyamatosan változó környezethez. Úgy tűnik, hogy a véletlenszerűség fontos a valódi neuronok működésének megismétlésében, állapította meg a csapat.

Chklovskii a következőben azt tervezi, hogy olyan típusú neuronokat elemez, amelyek nem illeszkednek az új modelljükhöz. Például a retina neuronjai közvetlen bemenetet kapnak a vizuális környezetből. Lehetséges, hogy ezek a neuronok nem tudják úgy irányítani bemeneteiket, ahogy az agyban mélyebben lévő neuronok tudják, de használhatják ugyanazokat az elveket, amelyeket Chklovskii és csapata azonosított: nevezetesen, ezek a neuronok képesek lehetnek megjósolni bemeneteiket, még akkor is, ha nem képesek befolyásolja őket.

„Az irányítás és az előrejelzés valójában nagyon összefügg egymással” – mondja Chklovskii. „Nem lehet hatékonyan irányítani anélkül, hogy előre nem látnád cselekedeteidnek a világra gyakorolt ​​hatását.”