Hogweed-Tabak, ein Modellorganismus zur Untersuchung des Gehirns von TierenTrotz aller Fortschritte beim maschinellen Lernen und bei neuronalen Netzen unterscheiden sich die Prinzipien von Computersystemen deutlich von der Arbeit biologischer Systeme. Die Wissenschaftler verstehen die grundlegenden biomechanischen Mechanismen, die dem zuverlässigen und schnellen Training biologischer neuronaler Netze zugrunde liegen, immer noch nicht. Daher werden sie weiterhin gründlich untersucht.
Eines der am besten geeigneten Objekte für solche Studien ist das olfaktorische System von Insekten. Insbesondere das olfaktorische System von Schmetterlingen (z. B. Caddis,
Manduca sexta ) ist ein relativ einfaches biologisches neuronales Netzwerk, das die Lernfähigkeit demonstriert. Daher ist ein Schmetterling ein idealer Modellorganismus, um die Mechanismen des Lernens eines neuronalen Netzwerks zu verstehen.
In früheren Jahren haben Wissenschaftler neuronale Signale in einzelnen Komponenten des Gehirns eines Falken aufgezeichnet. Diese Komponenten haben eine Struktur und Mechanismen, die für biologische Systeme Standard sind:
Das Vorhandensein einiger dunkler und auf den ersten Blick unnötiger Elemente (wie der berüchtigten "Junk" -DNA) im biologischen System spielt tatsächlich eine wichtige Rolle für das Funktionieren des gesamten Systems. Wir verstehen einfach noch nicht, warum dieses oder jenes Element speziell benötigt wird. Von besonderem Interesse ist die Freisetzung von Octopamin / Dopamin während des Trainings. Es ist noch nicht klar, wie eine solche Stimulation zur Erzeugung neuer spärlicher Codes im Pilzkörper des Gehirns beiträgt. Der Pilzkörper enthält ungefähr 4.000 Kenyon-Zellen, die Gerüche für die Aufzeichnung im Langzeitgedächtnis des Schmetterlings codieren.
Um die Arbeit biologischer neuronaler Netze besser zu verstehen, haben Wissenschaftler der University of Washington in Seattle ein Rechenmodell des Geruchssystems des Tabakzerkleinerers erstellt, das den Aufzeichnungen über die Neuroaktivität seines Gehirns und alle bekannten biophysikalischen Prozesse, einschließlich der Octopaminstimulation, so nahe wie möglich kommt.
Computermodelle des neuronalen Netzwerks des Pilzkörpers (MB) des Insektengehirns wurden früher erstellt. Jetzt haben sich die Forscher darauf konzentriert, die Rolle von Octopamin im Prozess des assoziativen Lernens sowie die Beziehung des Pilzkörpers zur Abteilung Antennenlappen (AL) zu untersuchen. Zu diesem Zweck wurden die Architektur und die neuronale Dynamik des gesamten Systems simuliert, einschließlich Octopamin-Stimulation, Synapsenwachstum, Geruchswahrnehmung bei AL und Lesen von Neuronen in einem abwärts gerichteten Informationsfluss.
Das Arbeitsschema der Abteilungen AL und MB im Gehirn eines Modellorganismus. 30.000 chemische Sensoren im Geruchssystem des Schmetterlings (RN) regen ein verrauschtes Vorverstärkernetzwerk (AL) an, das ein Signal an die Schicht aus plastischem, spärlichem Gedächtnis des Pilzkörpers (MB) überträgt, das Aktionsneuronen anregt, die Signale des Pilzkörpers als spezifische Aktionen interpretieren. Zum Beispiel "hochfliegen". Grüne Linien entsprechen exzitatorischen Bindungen und rote Linien entsprechen inhibitorischen VerbindungenDen Autoren gelang es, ein Computermodell des neuronalen Netzwerks zu erstellen, das die Fähigkeit eines zuverlässigen Trainings demonstrierte und gleichzeitig signifikante Ähnlichkeiten mit dem realen biologischen System aufwies. Ein Computermodell hat kritische Funktionen im Gehirn einer Motte identifiziert - und deren Auswirkungen auf den Lernprozess.
Diese wissenschaftliche Arbeit wird es in Zukunft ermöglichen, diese Funktionen mathematisch zu beschreiben und sie bei der Entwicklung eines Frameworks für effizientere neuronale Computernetzwerke mit zuverlässigem und schnellem Training anzuwenden. Biomedizinische maschinelle Lernsysteme.
Wissenschaftler sind sich sicher, dass die offenbarten Mechanismen von Kaskadennetzwerken, Spärlichkeit und Hebb-Plastizität die ursprünglichen Prinzipien neuronaler Netze, die erstmals 1962 in der Nobelarbeit
von Hubel und Wiesel formuliert wurden
und die hierarchische Struktur der Verarbeitung visueller Signale im Gehirn von Katzen beschreiben, gut ergänzen werden. Basierend auf dieser Arbeit wurde 1980 das weltweit erste mathematische Modell des neuronalen Neocognitron-Netzwerks erstellt, das in vielerlei Hinsicht zu einem Modell für moderne tiefe neuronale Netzwerke wurde. Viele funktionelle Systeme in der Arbeit des lebenden Gehirns wurden in dieser Arbeit jedoch nicht berücksichtigt. Eine Studie über Tabakweißdorn enthüllte und simulierte diese Elemente - die fehlenden Elemente von KI-Computersystemen.
Der wissenschaftliche Artikel wurde am 8. Februar 2018 auf der Preprint-Site arXiv.org veröffentlicht.