OPENTadpole: el primer animal cibernético

¡Hola, querida comunidad de GeekTimes! Después de mi largo silencio, quiero presentar mi nuevo proyecto. OPENTadpole es una aplicación que consiste en un editor completo del sistema nervioso del renacuajo de la rana y una emulación física del cuerpo y el medio ambiente del renacuajo. La capacidad de crear, configurar y editar la conexión del animal desde cero e inmediatamente ver cómo se refleja su creación en su comportamiento.



Hace aproximadamente un año, se completó una serie de artículos dedicados al desarrollo de un simulador del sistema nervioso, y la aplicación desarrollada por mí tenía varias deficiencias, así como el código amateur no permitió expandir y desarrollar la funcionalidad de la aplicación. Vale la pena señalar que la aplicación desarrollada en ese momento me permitió demostrar y desarrollar los mecanismos básicos y la plataforma teórica del sistema de modelado. Se decidió volver a procesar el código, desde una posición de representación más precisa, qué entidades y su funcionalidad estarán presentes en la versión final de la aplicación.

En primer lugar, utilicé mi motor de juegos Unity favorito para mi desarrollo, y conecté la esencia del elemento neuronal con GameObject, su lógica se ejecutó en las rutinas que, cuando la red se amplió, se convirtió en un problema fatal, la aplicación se hunde terriblemente debido a la estrecha conexión de la lógica de la red neuronal con parte gráfica de la aplicación. Por supuesto, la solución fue separar la parte gráfica de la lógica del sistema, la lógica debe ejecutarse en subprocesos separados, y la parte gráfica solo podrá acceder periódicamente a los elementos de la red para mostrar los cambios que están ocurriendo. Este enfoque proporciona otra ventaja, la capacidad no solo de monitorear los procesos que tienen lugar en la red, sino de interactuar con los resultados de sus cálculos, por lo tanto, por ejemplo, sumergir la red en un determinado agente virtual y observar cómo este agente interactúa con el entorno externo.

En segundo lugar, se decidió revisar el concepto del editor, a pesar de que se considera que 3D es un método de visualización más efectivo, decidí cambiar a 2D. Solía ​​pensar que un cierto significado clave radica en la organización tridimensional del sistema nervioso y, temiendo perder de vista algo, me esforcé por una organización tridimensional del editor y el sistema. Pero ahora, entiendo que será suficiente aplicar la construcción de un editor plano con niveles o capas, porque incluso la corteza cerebral tiene una estructura en capas, y trabajar en el plano permite al usuario final navegar y organizar su trabajo con el editor de manera más conveniente, especialmente cuando se trata de grandes matrices de elementos.

Dado que trabajo solo y que el desarrollo de aplicaciones en el campo de la cibernética no es mi actividad principal, el desarrollo comenzó lentamente, y al mismo tiempo quería demostrar cómo puedo aplicar mis ideas a los animales con un sistema nervioso simple, como una almeja, un gusano o algún tipo de insecto. Realmente me gusta el proyecto OpenWorm para crear un modelo de computadora del gusano Caenorhabditis elegans, cuyo sistema nervioso consta de 302 neuronas, y cuya conexión estaba completamente compuesta. El proyecto consta de dos partes: modelar las propiedades eléctricas neuronales del sistema nervioso del gusano y modelar las propiedades mecánicas de su cuerpo durante la natación. Apliqué este concepto a mi proyecto, una referencia a la que se puede ver en el nombre del proyecto. La elección de un animal simulado estuvo influenciada por la grabación del discurso de Roman Matveevich Borisyuk, en el que habló sobre un proyecto para simular el sistema nervioso de un renacuajo de rana de dos días. Inspirado en este video, decidí hacer algunos retoños en el trabajo en un simulador del sistema nervioso, que se llamaba OPENTadpole.

Una plataforma teórica que pretende explicar los mecanismos del sistema nervioso debería funcionar tanto en la escala de los sistemas nerviosos simples como en la escala de los sistemas nerviosos que realizan funciones cognitivas. A menudo puede encontrar comentarios dirigidos a los autores de teorías novedosas sobre el funcionamiento del cerebro que, antes de modelar redes neuronales a gran escala, puede valer la pena mostrar cómo se pueden aplicar sus teorías a animales simples y sus sistemas nerviosos. Se puede escuchar una respuesta evasiva a estos comentarios de que las propiedades de los neurosistemas se manifiestan solo en una escala muy grande y gigantesca, y que la vida de las criaturas primitivas no es significativa cuando se trata de resolver problemas cognitivos. Tales injusticias y delirios se convirtieron para mí en una razón más para concentrarme en la vida y el comportamiento del renacuajo de dos días.

Animales cibernéticos con el sistema nervioso.

Por supuesto, el hombre ya ha creado muchos mecanismos cibernéticos que imitan ciertos aspectos del comportamiento animal, por ejemplo, los patos mecánicos de Vaucanson, que no solo agitaban sus alas, picoteaban un alimento disperso, sino que también tenían una especie de sistema digestivo con todos los procesos que lo acompañaban. Pero los animales artificiales con un sistema nervioso similar a su contraparte biológica son bastante raros. Hagamos una breve descripción del mundo de los animales cibernéticos para que quede claro de dónde proviene tanta audacia para llamar a su renacuajo el primer animal cibernético con un sistema nervioso artificial.

Y comenzaremos no con un animal, sino con una persona legendaria: Henry Markram. Henry Markam es un científico, conocido por muchos como pionero en el estudio de las conexiones sinápticas, fue uno de los primeros que comenzó a estudiar sistemáticamente una versión consistente de la regla de Hebb. Pero Henry Markram ganó fama real como el creador de la simulación cerebral más cara del mundo. A disposición del científico y sus colegas, no solo se encuentra la mayor financiación jamás asignada para tales fines, sino también los recursos informáticos más potentes de la supercomputadora Blue Gene de IBM. El nombre de la computadora dio el primer nombre al proyecto: "Blue Brain Project", en 2013 pasó a llamarse "The Human Brain Project". A pesar de que el nombre del proyecto ahora se refiere al cerebro humano, se está trabajando en un modelo de un pequeño fragmento de la corteza del cerebro del ratón. Los gerentes de proyecto tienen grandes planes, comenzando con un pequeño fragmento del cerebro del ratón para alcanzar un modelo completo del cerebro humano. En 2009, Markam, el curador del proyecto, prometió que diez años después aparecería una simulación por computadora de todo el cerebro humano. Muchos consideran a Henry Markram un charlatán, de hecho, si escuchas sus discursos, se centran más en los inversores ricos que están poco versados ​​en neurociencia que en sus colegas científicos.



En toda la historia del proyecto, además de hermosos materiales gráficos, guirnaldas de neuronas, hay un estudio prácticamente útil. Se crearon unos veinte modelos 3D de ciertos tipos de neuronas que repetían completamente la topología de las neuronas reales, teniendo en cuenta todas las curvas y ramas de las dendritas. Luego, se configuró una pequeña región de la corteza en la que se ubicaron los modelos preparados de neuronas, de acuerdo con ciertas reglas, pero los modelos de neuronas se eligieron al azar, luego se recolectaron estadísticas del modelo obtenido: dónde se cruzan las dendritas, a qué distancia del cuerpo celular, qué tipo de contactos.

Las estadísticas obtenidas se compararon con estadísticas similares, pero se obtuvieron del sistema nervioso biológico y obtuvieron resultados muy importantes: la formación del 80% de las conexiones sinápticas en la corteza está sujeta al azar. Es decir donde hay dendritas, axones, colaterales que crecen libremente, se puede formar una sinapsis y no marcadores químicos. Por supuesto, en algunos casos, no se excluye la selectividad de la formación de sinapsis, y también es imposible llegar a una conclusión sobre la aleatoriedad de la calidad de las conexiones. Una sinapsis puede formarse por casualidad durante el crecimiento de una neurona, pero su fuerza (peso) puede determinarse por la actividad vital del sistema nervioso y el animal.

Si bien no es posible hablar de un ratón virtual cibernético en el marco del Proyecto Cerebro Humano, un modelo a gran escala del cerebro del ratón todavía está muy lejos. Debido a los recursos de IBM, otro investigador Dharmendra Mohda en 2009 anunció el lanzamiento de un proyecto para crear una simulación digital de un cerebro felino. Esta declaración causó mucha indignación en Markram, lo que resultó en una carta abierta de enojo dirigida al tecnólogo jefe de IBM. A nadie le gusta la competencia, pero preferimos verla en la lucha de gatos y ratones virtuales que en atraer la atención de los jefes de IBM, jefes de imitaciones caras. Después de tantos años, no ocurrieron cambios significativos y el desarrollo en el campo de las imitaciones del cerebro de los mamíferos.

OpenWorm es un proyecto muy famoso para crear un modelo de simulación de un nematodo (gusano redondo) de la especie Caenorhabditis elegans, este gusano es notable por el hecho de que esta es la única especie animal para la cual una conexión completa de su sistema nervioso está compuesta por 302 neuronas y alrededor de 7,000 conexiones sinápticas. Incluso para un sistema nervioso tan pequeño como c. La conexión elegante resultó ser una obra titánica. En primer lugar, el gusano fue sometido a un procedimiento complejo: microscopía en serie, creando una serie de fotografías de secciones transversales del cuerpo. Era necesario hacer secciones muy delgadas, de unos pocos micrones, y luego usar un microscopio electrónico para crear imágenes de alta resolución. Con un gusano adulto de 1-2 mm de largo, esto resultó ser una tarea difícil, el atlas de fotografías disponible está compuesto por 3 gusanos, ya que el sistema nervioso c. elegans tiene una sorprendente estabilidad y repetibilidad. En segundo lugar, llevó más de siete años de estudio minucioso de las imágenes, el equipo de científicos, para compilar un mapa de las conexiones del sistema nervioso, todavía se están realizando ajustes en la base de datos resultante.

Desafortunadamente, es imposible determinar el tipo y la fuerza de las conexiones sinápticas en la fotografía; como resultado, tenemos una descripción de las conexiones sin ninguna idea de su propósito funcional.

El siguiente paso para comprender la naturaleza del sistema nervioso c. elegans se convierte en un intento de crear una simulación por computadora de un gusano. El modelo digital es conveniente porque el experimentador puede cambiar y seleccionar la configuración de sus elementos, de modo que el trabajo de todo el modelo sea comparable con un análogo biológico, lo que permite identificar algunas leyes de la organización y el funcionamiento del sistema nervioso de un organismo vivo mediante la selección empírica. Por supuesto, sin una teoría general del sistema nervioso, sin una plataforma teórica, tal búsqueda de leyes es una tarea muy difícil, cuya solución puede prolongarse naturalmente.
El proyecto ganó fama particular durante el arranque de la compañía en 2014 . La comunidad OpenWorm es muy fructífera: se crea un atlas tridimensional del nematodo , en el que el sistema nervioso se trabaja en detalle: cada neurona se designa; sistema creado y ampliamente desarrollado de modelado y visualización geppetto ; simulación de las propiedades mecánicas del cuerpo del gusano y el entorno externo: Sibernetic, en el que trabajan nuestros compatriotas. Pero todavía no han aparecido nematodos cibernéticos en movimiento libre controlados por el sistema nervioso. Se modelaron algunos reflejos simples relacionados con la locomoción (movimiento) y la retirada al tocar la parte frontal del cuerpo, pero la mayoría de los circuitos nerviosos y el comportamiento de los nematodos asociados con ellos permanecen sin explorar.

Uno de los últimos videos sibernéticos del canal de Andrei Palyanov, la natación de nematodos en dos entornos diferentes, el control se lleva a cabo utilizando señales periódicas simples, sin la participación de neuronas virtuales.

El siguiente proyecto me causó una gran impresión, fue después de ver el siguiente video con un discurso de Roman Matveevich Borisyuk que decidí elegir un renacuajo como animal modelo en mi proyecto.


El proyecto poco conocido tadpoles.org.uk , explica modestamente algunos de los principios y leyes fundamentales de la organización del sistema nervioso. Los científicos han creado un modelo para el desarrollo del sistema nervioso, su formación en el período inicial de desarrollo del animal. Primero, se genera un modelo: las dendritas y los axones crecen a partir de las neuronas de acuerdo con ciertas reglas que tienen en cuenta algunos parámetros del cuerpo de renacuajo con un cierto grado de probabilidad que afecta la dirección del crecimiento de los procesos, luego se forman sinapsis en los puntos de contacto entre las dendritas y los axones de diferentes células. En la final, el modelo puede activarse y demostrará una actividad similar a la actividad del sistema nervioso del renacuajo vivo en la parte responsable de la natación.

Resulta que para que el sistema nervioso se forme con todos los reflejos y mecanismos congénitos, es necesario que las células nerviosas sigan instrucciones bastante simples. Dependiendo de su ubicación y afiliación a ciertos grupos de células: los ganglios, la célula debe desarrollar sus dendritas y axones en ciertas direcciones, así como formar contactos sinópticos con las células y sus procesos ubicados a ciertas distancias del cuerpo de la célula. sin ninguna selectividad El error resultante en la estructura de la red neuronal debido a desviaciones en la dirección de crecimiento de los procesos al superar posibles obstáculos se compensa con la presencia excesiva de neuronas y procesos.

Para el acto de nadar, la contracción ondulatoria de los músculos a lo largo del cuerpo, el renacuajo necesita aproximadamente 1,500 neuronas, para un nematodo de menos de trescientos. El renacuajo de la rana es un animal más complejo y evolutivamente desarrollado, en comparación con el gusano redondo, y el aumento en el número de neuronas aquí está relacionado, no con la necesidad de aumentar el poder de cómputo, sino con la confiabilidad del sistema y la compensación por la inexactitud de las neuronas como elementos computacionales. Algunos investigadores atribuyen las propiedades de las computadoras cuánticas o las calculadoras sofisticadas a las neuronas individuales, pero esto es fundamentalmente incorrecto, una neurona es, en primer lugar, una célula biológica, con su error inherente en el trabajo y la inestabilidad. Por lo tanto, no tiene sentido pasar tiempo reconstruyendo los 86 mil millones de neuronas del cerebro humano; sería apropiado agrupar estructuralmente las neuronas en ciertos neuroelementos que realizan tareas funcionales asignadas a grupos de neuronas.

Lo principal es el enfoque correcto

Puede dedicar mucho tiempo, dinero y esfuerzo a crear modelos complejos de sistemas complejos sin obtener resultados prácticamente significativos si no se establecen las bases para una idea precisa del funcionamiento de cada elemento del sistema y qué funciones desempeñan estos elementos dentro del sistema en su conjunto. Idealmente, debe conocer el resultado del modelo antes de comenzar a recrearlo, esto es lo que determina el éxito en la resolución de tareas, y no la presencia de una supercomputadora y una gran asistencia financiera.

Ahora se presta mucha atención a las redes neuronales, que demuestran una alta eficiencia y grandes beneficios prácticos. Inicialmente, las redes neuronales se posicionaron como ciertos modelos de redes neuronales biológicas, pero con el tiempo y el desarrollo de la neurobiología, quedó claro que solo el nombre tiene un común entre la neurona formal utilizada en el NS y la biológica. Las redes neuronales modernas son una poderosa herramienta matemática para el análisis estadístico. Es este posicionamiento de la NS en su desarrollo lo que dará mayor eficiencia. Análisis estadístico y procesamiento de una gran cantidad de datos, no un modelo del sistema nervioso. Es posible que aparezca algún tipo de inteligencia artificial en la plataforma NS, pero si nos esforzamos por crear inteligencia similar a la humana, deberíamos prestar atención a las redes neuronales biológicas.

Las redes neuronales ya han demostrado su gran efectividad para resolver ciertos problemas en comparación con los humanos, y es deseable que su desarrollo continúe. Como investigador cerebral, habría confiado más en una máquina impulsada por una red neuronal bien desarrollada que en una máquina impulsada por un modelo virtual de tejido nervioso similar al biológico. El hecho es que los mecanismos del cerebro inicialmente contienen elementos de inexactitud y percepción limitada, que naturalmente conducen a errores, pero por otro lado, estos mismos mecanismos dan un gran potencial para la creatividad y la adaptación.

El modelo matemático dominante utilizado en la creación de sistemas neuronales biológicamente similares es el modelo Hodgkin-Huxley, descrito en 1952. De una forma u otra, este modelo se usa tanto en Human Brain Project, como en OpenWorm y en tadpoles.org.uk. El modelo Hodgkin-Huxley es un sistema de ecuaciones que describe las oscilaciones de carga que ocurren en la superficie de una membrana neuronal, el sistema de ecuaciones fue adoptado y adaptado de la ingeniería eléctrica en términos de descripciones de auto-oscilaciones en un circuito oscilatorio eléctrico. Alan Lloyd Hodgkin y Andrew Huxley agregaron algunos elementos adicionales y una serie de coeficientes al sistema de ecuaciones, eligiéndolos para que el resultado de su trabajo se compare con los datos experimentales obtenidos por ellos al estudiar los axones de calamar.



El sistema de ecuaciones de Hodgkin-Huxley describe un cambio de potencial en solo un punto de la membrana, para obtener una imagen de la propagación de la excitación a través de la membrana y los procesos de una neurona, puede dividir el modelo de neurona en algunas primitivas, o seleccionar puntos equidistantes en él y considerar el sistema de ecuaciones en cada punto. El modelo de Hodgkin-Huxley es muy realista, demuestra la distribución del potencial de acción sobre el cuerpo del stand, pero el modelo requiere grandes recursos computacionales.

En mi trabajo, realizo algún tipo de reingeniería del sistema nervioso, destaco lo significativo y descarto o simplifico ciertos procesos y fenómenos asociados. La naturaleza del sistema nervioso y las células nerviosas es muy diversa y compleja, hay muchas reacciones químicas, procesos intracelulares y fenómenos, pero no debe transferir todo al modelo, primero debe comprender el significado y el propósito funcional del fenómeno, de lo contrario será una complicación sin sentido del modelo.

¿Cuál es el significado funcional de la propagación del potencial de acción a lo largo de la membrana de una neurona? - Transferencia de información de una parte de una célula nerviosa a otra. La información de que una célula nerviosa se ha activado a través de receptores o sinapsis debe ir a los extremos del axón, superando su longitud total, que puede alcanzar hasta un metro en el cuerpo humano. ¿Qué es importante en este proceso? - El tiempo desde el inicio de la activación, hasta la transferencia de información sobre esto, al área objetivo del tejido nervioso. En promedio, la velocidad de propagación del potencial de acción es de 1 m / s, depende de varios factores, por ejemplo, del grado de mielinización del axón. En consecuencia, bajo diferentes condiciones, el tiempo de retraso puede ser diferente. El modelo Hodgkin-Huxley simula de manera muy realista el proceso de propagación de un impulso nervioso a lo largo de una membrana,pero, ¿es necesario tal detalle al crear un modelo funcional del sistema nervioso?

Si podemos simplificar algo, significa que entendemos algo. La idea de simplificación a leyes y funciones simples, la asignación de lo principal y su separación de lo secundario, puede llamarse un enfoque funcional.



Si intenta simular el cerebro humano con los 86 mil millones de neuronas, repitiendo la topología de los procesos e incluso calculando erróneamente el sistema de ecuaciones Hodgkin-Huxley en una densa cuadrícula de puntos en la superficie de las neuronas, entonces todos los recursos informáticos en el planeta Tierra no serán suficientes. Y haciendo predicciones sobre la apariencia de tales modelos, puede enfocarse con veinte años de anticipación, y después de estos años, otros veinte años. Bueno, la propagación del potencial de acción no es todo, aún necesita comprender la lógica de la interacción de las neuronas, para resolver este problema, para empezar, me concentré en sistemas nerviosos bastante simples, como el sistema nervioso de un gusano o el renacuajo de una rana.

Desarrollo

¿No esperas que el uso del motor del juego en modelos científicos pueda causar una sensación de alerta en el público? - Un maravilloso usuario de Internet me hizo una pregunta similar. Sí, no recurrí a ningún sistema de estandarización, no utilicé los lenguajes para describir las estructuras biológicas, solo porque requiere mucho tiempo para estudiar el material que lo acompaña. No soy un científico, sino una explosión ordinaria con una vida dinámica y bulliciosa, pero con muchas ideas, creatividad y un deseo de implementación. Por lo tanto, el tiempo entre la vida familiar, el trabajo y el sueño se da al modelado por los medios disponibles. El motor del juego Unity es solo una herramienta en mi trabajo, y es muy bueno y conveniente en términos de visualización.

Todo el proyecto OPENTadpole consta de solo dos escenas: un editor de conexión y una simulación del entorno. No hubo problemas serios con el editor durante el proceso de desarrollo, ya que ya había experiencia trabajando en la versión anterior del simulador del sistema nervioso .


La tarea principal en esta etapa fue la separación de la implementación de la lógica de los elementos neuronales y la visualización, que se implementó.

En la siguiente etapa, comencé a trabajar en un simulador del entorno e implementé rápidamente el cuerpo de renacuajo a partir de los componentes estándar de Unity. El cuerpo del renacuajo consta de 9 segmentos, interconectados por articulaciones, algunos pares cinemáticos virtuales y un par de músculos virtuales en ambos lados. Los músculos virtuales tienen una cierta elasticidad, que proporciona elasticidad a todo el cuerpo.



La función muscular estaba subordinada al sistema nervioso virtual, que se carga a través de archivos de guardado, que son comunes para el editor y para simular el entorno.


El desarrollo posterior requirió la adición de un sistema que simula las propiedades físicas del medio, lo cual no fue una tarea fácil para mí. En algún momento, incluso lamenté que las aves acuáticas fueran elegidas como animales modelo. Y, por supuesto, la gran ventaja de usar un motor de juego muy popular es que se han creado y desarrollado muchos complementos, bibliotecas y activos para él. Traté de trabajar con varias bibliotecas, pero LiquidPhysics2D resultó ser el mejor. No hay un enlace oficial a la biblioteca, el sitio de la empresa de desarrollo ya no funciona, pero puede encontrarlo si lo desea, google para ayudarlo. Esta biblioteca se basa en el conocido motor Box2D y está muy optimizada y fácil de usar, con muchos ejemplos, por lo que logré usarla, aunque tuve que poner mucha perseverancia.Era necesario rehacer el cuerpo del renacuajo usando los elementos de la biblioteca.


El cálculo en tiempo real de las propiedades físicas de un líquido requiere un alto poder de cálculo, por lo tanto, incluso utilizando una biblioteca bien optimizada, se puede obtener un funcionamiento estable de la aplicación limitándose a un par de miles de partículas.

Quería ver un renacuajo flotando libremente dentro de un área bastante grande; un espacio limitado y fuerte no me permitiría apreciar completamente el modelo. Se decidió crear y eliminar dinámicamente partículas en el área del renacuajo circundante, era necesario dividir el espacio en áreas cuadradas especiales y regular la apariencia y la eliminación de partículas en ellas dependiendo de la posición del renacuajo.


Para evitar que el usuario se avergonzara por los cuadrados de baile, la visibilidad de las partículas era limitada, como resultado de lo cual había una especie de aura que mostraba partículas alrededor del cuerpo del renacuajo, que se puede apagar presionando F12.

Resultado

El objetivo de tales proyectos es identificar algunas reglas generales para la organización del sistema nervioso y las leyes de interacción de las neuronas que determinan el comportamiento del animal. El proyecto OPENTadpole a este respecto se puede llamar completamente completado, todos pueden probarse a sí mismos en el papel del Creador y llenar el cuerpo vacío del renacuajo virtual con el sistema nervioso desde cero, lo que le permite moverse activamente en el espacio e interactuar con el medio ambiente, y vivir en su mundo estricto y limitado. De hecho, mientras el desarrollo estaba en curso, recibí muchas emociones positivas, al ver cómo mis acciones hacen que el comportamiento del renacuajo sea más vivo.

El archivo con la aplicación tiene una guía excelente y colorida que describe los aspectos principales del programa, así como una serie de ejemplos de guardado que lo ayudarán a comprender los principios del sistema nervioso (enlace al final del artículo). El modelo se basa en los mismos principios de los que hablé en mis publicaciones anteriores ( parte 1 , parte 2 ), y no hubo especulaciones sobre la interacción electromagnética de las neuronas, solo aquello sobre lo que las grandes mentes escribieron y recibieron premios Nobel. Todo dentro del marco de la doctrina científica, pero incorporado en una nueva forma concisa, puede usarse como una herramienta de enseñanza.

Natación

La cadena neuronal responsable de la natación se basa en un generador de actividad ordenada, tales generadores se encuentran en todos los sistemas nerviosos de animales simples, estas son cadenas cerradas de neuronas capaces de generar excitación rítmica sin retroalimentación.



El esquema del generador de actividad ordenada del renacuajo de la rana está representado por cuatro neuronas ubicadas simétricamente en el cuerpo del renacuajo. Dos neuronas (dIN, violeta) en este circuito tienen una característica específica, salen del estado de inhibición, creando un pico de actividad. Cada una de estas neuronas activa una neurona inhibitoria (inhibidora), que a su vez tiene un efecto cruzado sobre la neurona dIN. Así, se obtiene un cierto circuito de circulación de la excitación nerviosa. Es posible iniciar este generador usando una sola activación de una de las neuronas generadoras, y es posible detener la operación del generador si la activación de una de las neuronas de la cadena se previene mediante un efecto inhibidor más fuerte.

Para llevar a cabo experimentos en el sistema OPENTadpole, se asignaron 4 teclas de receptor F1, F2, F3 y F4, en los ejemplos de guardado, el generador inicia el receptor F1, la actividad en él fue suprimida por F2.

La actividad del generador se distribuye alternativamente a lo largo del lado derecho e izquierdo a lo largo del cuerpo del renacuajo, a cada neurona motora desde la cabeza hasta la punta de la cola, la excitación viene con un retraso de 100 milisegundos, esto se debe al hecho de que la propagación de la excitación tiene una velocidad finita. La velocidad de propagación de la excitación en diferentes axones puede variar, en axones con un mayor grado de mielinización (una capa más gruesa de mielina), la velocidad será mayor. Por ejemplo, en el cuerpo del calamar, hay algunos de los axones más grandes, de casi 1 mm de diámetro, que participan en el reflejo fugitivo protector, cuando el calamar, alejándose del posible peligro con un hongo de cola rápido y poderoso, huye de un posible peligro, aquí se requiere una alta tasa de transmisión de señal.

Hay muchos generadores similares en el sistema nervioso del renacuajo biológico; están ubicados a lo largo del cuerpo y están conectados en serie. Si solo un generador estuviera presente en el sistema nervioso del renacuajo, esto crearía un gran riesgo, el daño a una neurona, o incluso una sinapsis de este circuito, conduciría a la pérdida de la capacidad de moverse. Para la simulación por computadora no existen tales problemas, por lo tanto, un modelo es suficiente para el modelo.

Maniobras

El renacuajo tiene la capacidad de cambiar la dirección de su natación, realizar algunas maniobras, para esto, al momento de nadar, es necesario que los músculos del lado hacia el cual el renacuajo tiene la intención de girar se contraigan más o más intensamente, manteniendo la misma frecuencia de contracciones.

Se puede decir que las señales en el sistema nervioso, para todos los animales, son discretas. La amplitud del potencial de acción es siempre y en todas partes estable, la señal en sí tiene un carácter corto y puntiagudo, pero al mismo tiempo podemos cambiar fácilmente el grado de tensión en los músculos, de manera bastante suave y precisa, todo está determinado por la frecuencia de los comandos enviados a los grupos musculares. Cuanto más a menudo son los pulsos, más fuerte es la contracción muscular. Por lo tanto, controlando la frecuencia de los impulsos de activación, el sistema nervioso controla los grupos musculares y es lo suficientemente flexible.

Un mecanismo simple de suma temporal de una neurona facilita el control de la frecuencia de los pulsos al cambiar el umbral del sumador. El nivel umbral de suma en una neurona biológica está determinado por su configuración general, tamaño de la neurona, número y densidad de receptores en la membrana postsináptica, número y densidad de canales iónicos en la membrana, en general, del metabolismo de las células nerviosas. Y todos estos parámetros pueden cambiar activamente en una célula viva bajo la influencia de un efecto modulador sobre ella.

Hace tiempo que estamos acostumbrados al hecho de que al describir el trabajo del sistema nervioso solo hablan de dos tipos de efectos sinápticos: estimulantes e inhibitorios. Pero, de hecho, esta es una inexactitud fatal que distorsiona la comprensión de los principios del sistema nervioso. En su trabajo, el científico estadounidense neurocientífico Eric Kandel describió el mecanismo molecular de los efectos sinápticos que conducen a cambios metabólicos en la célula y la sinapsis, por lo que en 2000 recibió el Premio Nobel. Las neuronas moduladoras y los mecanismos moduladores se han utilizado durante mucho tiempo en la descripción de los principios del sistema nervioso, ya que estos mecanismos juegan un papel importante en su trabajo.

El modelo distingue un tipo separado de conexión sináptica, que puede afectar el nivel umbral del sumador, durante un cierto período de tiempo: la sinapsis moduladora. Si modula, baje el umbral del sumador en una neurona modulada intercalada (verde en el siguiente esquema), esto conducirá a un aumento en su sensibilidad, y al activarse generará no un solo pico, sino toda una serie de pulsos. Por lo tanto, transformando la señal del generador, es posible realizar maniobras, giros al nadar. Si de esta manera las neuronas en ambos lados se modulan al mismo tiempo, entonces el renacuajo simplemente nadará hacia adelante más activamente.



El tema de la modulación en el sistema nervioso es muy extenso, a pesar de que en este modelo me limito a controlar el nivel del umbral de activación. Dados los cambios que pueden ocurrir dinámicamente en el sistema nervioso, se puede decir que la modulación puede ser muy diversa, incluidos los cambios en la fuerza de las sinapsis, los cambios en la plasticidad, el grado de adicción, el tiempo de retraso sinóptico y las propiedades metabólicas de la célula.

El control mediante sinapsis moduladoras, así como el control del funcionamiento del generador, permitió implementar algunos reflejos protectores, por ejemplo, comenzar a nadar cuando el renacuajo toca la cabeza y desviarse en la dirección opuesta al contacto, lo que permite que el renacuajo nade libremente en el acuario virtual, navegando desde sus paredes.

Donde navegar

El renacuajo aprendió a nadar y puede elegir libremente una dirección, pero para elegir esta dirección necesita un objetivo, y tal objetivo está justificado, tal vez comida. Para detectar alimentos, el renacuajo tiene dos receptores especiales del sentido del olfato, separados por una línea especial, el "puente nasal", a través del cual el receptor no puede detectar la presencia de alimentos. Cuanto más cerca está la comida, más a menudo se activa el receptor teniendo en cuenta el cuadrado de la distancia.



Por supuesto, tal modelo de olor es una gran simplificación, pero dentro del marco de la simulación es bastante aceptable.

En los ejemplos, las señales de dos receptores pasan primero a través de una cadena de neuronas en las que ocurre la supresión mutua, y luego ejercen un efecto modulador sobre las neuronas motoras, controlando el movimiento del renacuajo.

Necesidades

Quería que el comportamiento del renacuajo fuera algo más complejo que simplemente seguir la comida, por lo que se decidió simular los mecanismos de las necesidades. En primer lugar, esta es la necesidad de alimentos, el hambre es un deseo natural de consumir la fuente de energía necesaria para el movimiento y el desarrollo del cuerpo. Y, naturalmente, el hambre debería tener un grado diferente, si el animal está lleno, entonces la comida no debería ser de mucho interés para él. En segundo lugar, la necesidad no menos fundamental de la conservación de la energía, que nació evolutivamente muy temprano y es de importancia clave en el comportamiento de todos los animales. Ser perezoso está entretejido en nuestra esencia, esto nos permite optimizar nuestro comportamiento en términos de consumo de energía, el que logra el resultado con menos desperdicio de recursos energéticos es más exitoso.

Para realizar estas dos necesidades, se han introducido dos receptores especiales; cuanto mayor es la necesidad, más a menudo se activan. El nivel de saturación disminuye con el tiempo, la tasa de esta disminución es ajustable por el usuario y la sensación de fatiga aumenta según la intensidad de las contracciones musculares.



En los ejemplos de conservación, se puede observar cierta competencia entre estas dos necesidades: la fatiga no puede ser suprimida por el hambre severa, pero el hambre severa es más fuerte que incluso la fatiga severa.

Ahora el comportamiento del renacuajo se ha vuelto aún más vivo, depende de motivos y deseos internos:

Conclusiones

El renacuajo nada y come, y mucho más: responde a la luz, al tacto, si lo agarras por la cabeza, intenta salir (como se indica en el simulador), busca y encuentra comida, sufre hambre y fatiga, y todo esto bajo el control de neuronas virtuales .

El renacuajo más complejo tiene 63 neuronas y 131 conexiones sinápticas; Recuerdo que Caenorhabditis elegans tiene 302 neuronas, y el renacuajo biológico requiere 1.500 neuronas para nadar normalmente solo. Cuanto más desarrollado es el animal, mayor es la redundancia de las neuronas en la resolución de problemas, lo que se debe a los procesos evolutivos y la necesidad de confiabilidad del sistema. Todavía es difícil evaluar la redundancia de las neuronas en relación con el cerebro humano, pero, en mi opinión, implementar un modelo de computadora cercano al cerebro humano, computadoras cuánticas o mainframes, no será necesaria una computadora hogareña lo suficientemente potente. Esta es una declaración muy audaz, en primer lugar, en contra de la opinión de muchos expertos en este tema, y ​​en segundo lugar, eliminando la areola de supercomplejidad de esta tarea, sin la cual es difícil eliminar las inversiones fabulosas de los inversores. Lo principal ahora no es la potencia informática, sino el desarrollo de la tecnología y los enfoques correctos.

Planes futuros

OPENTadpole es una etapa pequeña, en un largo camino para desarrollar una herramienta para modelar sistemas nerviosos complejos, que, en mi opinión, se ha completado con éxito.

La siguiente tarea: crear un modelo que pueda distinguir entre comandos de voz simples, al igual que las mascotas, para también aprenderlos y, si es necesario, volver a entrenar, con una comprensión del contexto del equipo. Mientras trabajo, intentaré compartir mis hallazgos con los lectores de GT.

OPENTadpole dowland para Windows

Código fuente