🎿 👰🏽 😡 मस्तिष्क के हुड के नीचे कुछ एल्गोरिदम 😚 🕺🏽 👩‍❤️‍💋‍👨

कुछ समय पहले मैं एक प्रोग्रामर के दृष्टिकोण से न्यूरोबायोलॉजी पर आधुनिक सामग्रियों का अध्ययन करना चाहता था। यही है, उनसे बेसिक एल्गोरिदम निकालने के लिए, उन्हें अनावश्यक रासायनिक / जैविक विवरण को साफ करना।

इसलिए, यदि कोई व्यक्ति कृत्रिम तंत्रिका नेटवर्क से प्यार करता है और प्राकृतिक में प्रेरणा की तलाश करना चाहता है, तो यह लेख सामने आ सकता है। बेशक, एक लेख में सब कुछ कवर करना संभव नहीं था - बहुत अधिक डेटा है।

सबसे पहले, जैव-न्यूरॉन के संचालन का एक संक्षिप्त विवरण, ताकि आगे समझा जा सके। कौन पहले से ही मूल बातें जानता है - छोड़ने के लिए स्वतंत्र महसूस करें।

जैविक न्यूरॉन: कैटफ़िश, डेंड्राइट्स, सिनेप्स, स्पाइक, ईपीएसपी, झिल्ली क्षमता

: ( ), , . , , . . — . . . .

, , . , . “ ” ,“” “U”. , . . U.

, . , U . — . . , , . , , . “+” EPSP (). “-” IPSP ().

. EPSP- IPSP- , , , . , .

, , , . , . , . , , . . , EPSP , .

. , . “ ” . , . , , (. ).

— . — . EPSP — “”. , , , . EPSP ( ) , , .. , .

STDP

यह माना जाता है कि दीर्घकालिक स्मृति का आधार है कि न्यूरॉन्स के synapses पर दक्षता कैसे वितरित की जाती है। कुछ सिनैप्स को कमजोर किया जाता है, कुछ को मजबूत किया जाता है। इसे डक्टिलिटी कहते हैं। लेकिन किस एल्गोरिथ्म से यह तय होता है कि कौन सा सिंक होता है और कैसे वे वज़न बदलेंगे? जीवित तंत्रिका नेटवर्क में सबसे प्रसिद्ध सिद्धांत स्पाइक-टाइमिंग-डिपेंडेंट प्लास्टिसिटी है ।

यह कीड़े से मनुष्यों में मनाया जाता है और निम्नानुसार तैयार किया जाता है:

यदि दिए गए सिनैप्स में इनपुट स्पाइक आता है , तो न्यूरॉन से पहले ही स्पाइक उत्पन्न हो जाता है, तब सिंटैप को प्रवर्धित किया जाता है।
यदि इस सिनैप्स पर इनपुट स्पाइक न्यूरॉन द्वारा स्पाइक की पीढ़ी के तुरंत बाद आने के लिए जाता है, तो सिंकैप कमजोर हो जाता है।

जिन इनपुट्स ने स्पाइक में योगदान दिया है उन्हें भविष्य में अधिक प्राथमिकता दी जाती है, और जिनका योगदान नहीं है - कम। प्रक्रिया तब तक जारी रहती है जब तक कि मूल वजन का एक निश्चित उपसमुच्चय शेष न हो, और शेष शून्य तक कम हो जाएगा। हम इस तथ्य को ध्यान में रखेंगे कि एक न्यूरॉन एक स्पाइक उत्पन्न करता है जब इसके कई इनपुट कम समय की खिड़की में तुरंत सक्रिय हो जाते हैं । इससे यह माना जा सकता है कि शेष गैर-शून्य इनपुट के समय में संबंध थे।

_{(T शहद इनपुट (पूर्व) और आउटपुट (पोस्ट) स्पाइक पर सिंटैप के वजन में वृद्धि / कमी की निर्भरता}

इस घटना को कई प्रयोगों में अच्छी तरह से जाना जाता है और पुष्टि की जाती है, लेकिन यह ध्यान दिया जाना चाहिए कि विभिन्न प्रयोगात्मक प्रोटोकॉल के माध्यम से, आप अभी भी इस कानून के विरूपण / उल्लंघन को प्राप्त कर सकते हैं, नहीं प्री-पोस्ट स्पाइक्स के लिए औपचारिक आवश्यकताओं को तोड़ना [0]।

बैक स्पाइक प्रचार

पिरामिड न्यूरॉन (शायद कॉर्टिकल न्यूरॉन्स के सबसे प्रसिद्ध प्रकार) के हजारों पर्यायवाची हैं जो अपने वृक्ष के पेड़ के साथ बिखरे हुए हैं (वास्तव में, इसमें दो वृक्ष वृक्ष हैं)। यदि हम कई सिनैप्स का चयन करते हैं - कैटफ़िश के करीब, बहुत दूर, और उससे काफी दूर - और देखें कि उन्हें किस तरह के एसटीडीपी चार्ट मिलते हैं, तो चार्ट अलग-अलग होंगे।

कैटफ़िश के करीब सिंकैप्स के लिए, शेड्यूल शास्त्रीय रूप से देखा जाएगा - हेब्ब प्रशिक्षण के विषय पर भिन्नता के रूप में। यानी जैसा ऊपर चित्र में है। कैटफ़िश से दूर, इस प्रशिक्षण का आयाम छोटा है। और अगर आप दूर के सिनेप्स लेते हैं, तो आप बहुत अजीब चीजें देख सकते हैं। उदाहरण के लिए, यदि इनपुट स्पाइक (जो कि सिंकैप के लिए आया था) आउटपुट से पहले था, तो प्रयोग ने प्रवर्धन का निरीक्षण नहीं किया था, लेकिन इस synapse का क्षीणन। एंटीहेब्कोव्स्की प्रशिक्षण, कार्ल! हालांकि, हेबब चैनल पर इसे वापस करना संभव था अगर दूर के डेन्ड्राइट पर वृक्ष के समान आसंजन उत्पन्न होते थे। सामान्य तौर पर, कैटफ़िश के निकटतम सिनाप्स के प्रशिक्षण के साथ, सब कुछ काफी स्पष्ट होता है, लेकिन दूर के लोगों पर ऐसा लगता है कि ~~गड़बड़~~ में एक अलग सीखने का एल्गोरिथ्म है [1] ।

देखते हैं कि इस सब के पैर कहां से आते हैं। इसलिए, एसटीडीपी के पुनरावृत्ति के लिए, यह आवश्यक है कि कैटफ़िश में एक स्पाइक उत्पन्न किया जाए। इसके बाद, synapses को जल्दी से उसके बारे में पता लगाना चाहिए । ऐसा करने के लिए, यह वांछनीय है कि स्पाइक अक्षतंतु नॉल से उनके लिए फैल गया। अच्छी खबर यह है कि वास्तव में यह हो रहा है। एक न्यूरॉन न केवल अन्य न्यूरॉन्स के लिए एक स्पाइक भेजता है, बल्कि इसके डेंड्राइट्स पर भी वापस जाता है। "बुरी" खबर यह है कि पीठ के प्रसार के साथ यह स्पाइक फीका पड़ जाता है। दूर के डेन्ड्राइट तक पहुँचने के लिए बहुत तेज़। अब यह स्पष्ट है कि निकट और दूर सिनेप्स का प्रशिक्षण अलग-अलग क्यों है। यह पता लगाने के लिए रहता है कि दूर के सिनापैप्स में क्या हो रहा है।

यहां यह याद रखना महत्वपूर्ण है कि डेन्ड्राइट गड़बड़ी के निष्क्रिय कंडक्टर नहीं हैं। वे खुद जानते हैं कि स्पाइक्स कैसे उत्पन्न होते हैं जब वे "इसे आवश्यक मानते हैं।" यदि किसी कारण से डेंड्राइट ने एक स्पाइक उत्पन्न किया, और उसी समय कैटफ़िश से एक क्षययुक्त स्पाइक इस क्षेत्र में आया, तो, डेंड्राइट स्पाइक के साथ गठित होने पर, इसे (शायद) एक ~~किक~~ मिलेगी , जैसा कि यह था, और इस उपप्रकार में आगे फैलने में सक्षम होगा। कम से कम ऐसी परिकल्पना तो है। एक और परिकल्पना यह है कि शायद दूर के डेन्ड्राइट्स पर सिनैप्स को आम तौर पर एक दैहिक प्रचार स्पाइक के उपयोग के बिना प्रशिक्षित किया जाता है। इसके बारे में और नीचे।

डेंड्राइट्स में दिलचस्प प्रभाव - प्लास्टिक के लिए डेंड्राइट स्पाइक्स पर्याप्त हैं

तो, आपको क्या ज़रूरत है ताकि सिंटैप्स वजन बढ़ाना शुरू कर दें? यह आवश्यक है कि न्यूरॉन के इस स्थान पर संबंधित रासायनिक मशीनरी चालू हो। इसके लिए, बदले में, यह आवश्यक है कि इस जगह की झिल्ली पर कुछ पर्याप्त बड़ी गड़बड़ी द्वारा स्थानांतरित किया जाए । इसे कैसे बनाया जा सकता है? सामान्य औसत ईपीएसपी इसके लिए बहुत छोटा है। लेकिन ईपीएसपी की मात्रा और दैहिक रूप से कम प्रसार के कारण पहले से ही उपयुक्त हो सकता है। कुछ समय के लिए यह माना जाता था कि यह प्लास्टिसिटी का मुख्य कारण है।

फिर, प्रयोगों में, यह पता चला कि एक न्यूरॉन में दैहिक आसंजनों को कृत्रिम रूप से दबाने के लिए संभव था और अभी भी उनकी उत्तेजना (किसी भी नहीं) के जवाब में इसके सिनैप्स में वजन में वृद्धि दर्ज की गई है। यह पता चला कि प्लास्टिसिटी तब होती है जब इस स्थान पर दिखने के लिए श्लेष की उत्तेजना काफी मजबूत होती है। वे इस जगह में प्लास्टिसिटी को ट्रिगर करने के लिए एक मजबूत पर्याप्त आक्रोश हैं । [२] हाँ, हाँ, बाकी न्यूरॉन की भागीदारी के बिना। यही है, सूचना प्रसंस्करण के "न्यूनतम तत्व" को एक न्यूरॉन भी नहीं माना जा सकता है, लेकिन एक अलग डेन्ड्रिटिक शाखा है।

डेंड्राइट्स में दिलचस्प प्रभाव - क्लस्टरिंग

हिप्पोकैम्पस न्यूरॉन्स में, यह पाया गया कि एक सिंटैप्स का LTP (दीर्घकालिक वजन बढ़ना) LTP के लिए पड़ोसी सिनेप्स में होने वाली सीमा को कम करता है। फिर, माउस सेंसरी कॉर्टेक्स के न्यूरॉन्स के लिए एक अध्ययन किया गया, जिसमें न्यूरॉन्स ने मूंछ से डेटा संसाधित किया। और यह पाया गया कि सिनैप्टिक प्लास्टिसिटी में क्लस्टरिंग की प्रवृत्ति होती है।

एक विशिष्ट न्यूरॉन लिया गया, और 15% सिनैप्स, जो सबसे अधिक तीव्रता से प्लास्टिसिटी के अधीन थे, को चुना गया। न्यूरॉन पर उनका वितरण आकस्मिक नहीं था: एक महत्वपूर्ण हिस्सा पड़ोसी निकला - 161 में से 50। तब माउस के संवेदी कॉर्टेक्स से एक न्यूरॉन लिया गया था, जिसमें से मूंछ काट दी गई थी (यानी, न्यूरॉन जानकारी की कमी से पीड़ित था)। इस तरह के न्यूरॉन में क्लस्टरिंग प्रभाव अनुपस्थित था। लेकिन वह विश्व स्तर पर इनपुट संकेतों के प्रति अधिक संवेदनशील था [3] ।

डेंड्राइट्स में दिलचस्प प्रभाव - शब्दों के पुनर्व्यवस्था से सब कुछ बदल जाता है

तो, दो ईपीएसपी को हमारे डेंड्राइट में आने दें, जैसा कि ऊपर की तस्वीर में है। वे peraurbation कि वे soma में पैदा करते हैं न केवल इन EPSPs की परिमाण पर निर्भर करता है, बल्कि यह भी:

1) soma
2 से उनकी दूरी) एक दूसरे से उनकी दूरी

। यदि ईपीएसपी सिंटैप से डेंड्राइट तक आया है, तो यह कैटफ़िश और मार्ग के साथ क्षय के लिए प्रचार करेगा। यही है, जितना अधिक यह था, उतना ही यह फीका हो जाएगा। और अगर एक सक्रिय अवरोधक सिंटैप्स अपने रास्ते में हो जाता है, तो ईपीएसपी तुरंत मर जाएगा। इस प्रकार, अगर हमारे पास एक-दूसरे से दो ईपीएसपी दूर हैं, तो वे सोमा में दो छोटी गड़बड़ी लाएंगे - और फिर अगर आप भाग्यशाली थे।

लेकिन अगर वे एक-दूसरे के बगल में थे, तो डेन्ड्राइट इस जगह पर स्पाइक उत्पन्न कर सकते हैं। यह एक ऐसी गड़बड़ी है जिसमें आयाम ईपीएसपी के योग से अधिक है। डेंड्रिटिक स्पाइक पहले से ही कैटफ़िश में चलने की अधिक संभावना है, और योगदान अधिक होगा। [४] ।

लिंक सुविधाओं तुल्यकालन

(सिंक्रोनाइजेशन रिलेशन, फीचर बाइंडिंग को एनकोड करता है)

पिछले पैराग्राफ से यह निम्नानुसार है कि सिंटेक्स में प्लास्टिसिटी प्रक्रियाओं के लिए स्पाइक्स के सापेक्ष समय महत्वपूर्ण है। और इस प्रकाश में न्यूरॉन्स के अस्थायी तुल्यकालन की घटना को बायपास नहीं किया जा सकता है। यह घटना सर्वव्यापी है और, जाहिर है, बहुत मौलिक है, क्योंकि मस्तिष्क के सभी स्तरों पर खाएं। एक विशिष्ट उदाहरण पर विचार करें।

इलेक्ट्रोड को दृश्य प्रांतस्था में प्रत्यारोपित किया जाता है, और फिर विभिन्न दृश्य उत्तेजनाओं को उसे दिखाया जाता है। इलेक्ट्रोड से रिकॉर्ड पर यह देखा जाता है कि न्यूरॉन्स के कुछ समूह चरण में समकालिक गतिविधि में शामिल होते हैं। ये न्यूरॉन अलग-अलग जगहों पर हो सकते हैं। न्यूरॉन्स को सिंक्रनाइज़ करने की प्रवृत्ति होती है यदि वे छवि में आकृति द्वारा सक्रिय किए गए थे, जो या तो निरंतर हैं या एक ही गति से और एक दिशा (आम भाग्य का सिद्धांत) में चलते हैं। दृश्य प्रांतस्था के लिए, तुल्यकालन की संभावना इस बात से संबंधित है कि इनपुट उत्तेजना गेस्टाल्ट मानदंड को कितना संतुष्ट करती है ।

_{यहाँ सभी हरे बिंदुओं को अलग-अलग नहीं, बल्कि पूरे के रूप में माना जाता है}

कामकाजी परिकल्पना बताती है कि कॉर्टेक्स उन सिग्नल भागों के बारे में "संपूर्ण" संबंधों को इनकोड करने के लिए न्यूरॉन्स में डिस्चार्ज सिंक्रोनाइज़ेशन का उपयोग करता है जिसके लिए इन न्यूरॉन्स ने प्रतिक्रिया दी थी। यानी इसके अलावा, उनके जवाबों को उच्च तंत्रिका नेटवर्क द्वारा एक पूरे के रूप में संसाधित किया जाएगा, क्योंकि यह वास्तव में ये स्पाइक्स हैं जो एक ही समय में वहां पहुंचेंगे, जिसका अर्थ है कि मैं मिटने से पहले संक्षेप में बताऊंगा।

कॉर्टेक्स में बड़ी दूरी पर गतिविधि का सिंक्रनाइज़ेशन सिग्नल के लिए एक शर्त है, जो इस गतिविधि का कारण बनता है (उदाहरण के लिए, एक शब्द जिसे देखा जाना है) सचेत धारणा के क्षेत्र तक पहुंच प्राप्त करने के लिए। एक समान संकेत, अनजाने में संसाधित किया जा रहा है, केवल स्थानीय तुल्यकालन का कारण होगा [5] ।

न्यूरॉन आबादी को कैसे सिंक्रनाइज़ किया जाता है यह जांच का विषय है [6] ।

गैर-सिनैप्टिक प्लास्टिसिटी

सिनैप्स वेट के अलावा, न्यूरॉन की अन्य विशेषताओं को भी प्रशिक्षण के दौरान परिवर्तन से गुजरना पड़ सकता है। इसकी सामान्य उत्कृष्टता बदल सकती है (पढ़ें, स्पाइक पीढ़ी के लिए सीमा)। यदि कई वजन मजबूत हो जाते हैं, तो यह एक न्यूरॉन के लिए अपनी विशिष्टता को कम करने के लिए समझ में आता है। और यदि इसके विपरीत - तराजू में परिवर्तन का निम्न स्तर है, तो यह वृद्धि करने के लिए समझ में आता है।

एक अन्य उदाहरण - एक अक्षतंतु उस समय को बदल सकता है जिसके दौरान वह प्राप्तकर्ताओं के लिए स्पाइक करेगा। फिर भी - यदि आप लंबे समय तक कम आवृत्ति पर एक न्यूरॉन को उत्तेजित करते हैं, तो यह इसकी उत्कृष्टता को कम कर देता है, और यह एक दीर्घकालिक प्रभाव है।

फिर से खेलना

हिप्पोकैम्पस में, न्यूरॉन्स होते हैं जो अंतरिक्ष में एक विशिष्ट स्थान पर प्रतिक्रिया करते हैं। जगह की कोशिकाओं को कहा जाता है। यही है, अगर चूहा भूलभुलैया के एक स्थान पर है, तो उस स्थान का एक सेल अधिकतम पर प्रतिक्रिया करता है, अगर दूसरे में यह दूसरा है। जब चूहा सो रहा होता है या आराम कर रहा होता है, तो हिप्पोकैम्पस में उन स्थानों की कोशिकाओं के वे क्रम होते हैं जो वास्तव में इन मार्गों से पहले की जाने वाली दूरियों के अनुरूप होते हैं जो त्वरित गति से खेलना शुरू करते हैं। शेष कोशिकाओं के लिए यह मनाया नहीं जाता है, अर्थात, ये क्रम यादृच्छिक नहीं हैं।

तस्वीर में: चूहा एक सीधे ट्रैक का अनुसरण करता है, और उस जगह का "नीला" पिंजरा पहले सक्रिय होता है, फिर "लाल", और फिर "हरा" होता है। तब वह सुदृढीकरण प्राप्त करती है, और इस क्रम के त्वरित पार्श्व "ब्लू रेड ग्रीन" में प्लेबैक शुरू होता है।
इसके अलावा, हिप्पोकैम्पस भविष्य के स्थानों को खेल सकता है इससे पहले कि चूहे वास्तव में उनसे (प्रीप्ले) का दौरा करें।

कोई कम दिलचस्प नहीं - एक सपने में फिर से खेलना प्रक्रिया सेरेब्रल कॉर्टेक्स को भी प्रभावित करती है। यही है, दोनों कोर्टेक्स में और हिप्पोकैम्पस में यह दोहराया जाता है कि पिछले जागरण के दौरान अनुभव किए गए एक ही अनुभव के साथ जुड़ा हुआ है [7] । एक परिकल्पना है कि हिप्पोकैम्पस त्वरित याद के लिए एक मॉड्यूल है, और कोर्टेक्स धीमी गति से गहन सीखने के लिए है। शायद हिप्पोकैम्पस अपने द्वारा पीछा किए जाने के क्रम में घटनाओं-प्रकरणों को याद करता है, और फिर उन्हें एक तेज गति से बार-बार कॉर्टेक्स को "खो" देता है ताकि यह इन अनुक्रमों से छिपे हुए पैटर्न को बाहर निकाल सके। फिर यह स्पष्ट है कि क्यों एक दूरस्थ हिप्पोकैम्पस वाला रोगी नई दीर्घकालिक यादें बनाने की क्षमता खो देता है, लेकिन ऑपरेशन से पहले किए गए उन लोगों को नहीं खोता है।

एल-एलटीपी (देर से चरण एलटीपी )

सिनैप्स वेट में बदलाव की लंबी उम्र न केवल उन शुरुआती उत्तेजनाओं पर निर्भर करती है, जो उनके कारण हुईं, बल्कि पहले और बाद में होने वाली घटनाओं पर भी निर्भर करती हैं । प्रयोगों से पता चलता है कि एक उत्तेजना की अल्पकालिक स्मृति को लंबे समय तक समेकित किया जा सकता है यदि जानवर इस उत्तेजना के आसपास एक निश्चित समय खिड़की के अंदर एक मजबूत घटना का अनुभव करता है। यह व्यक्तिगत न्यूरॉन्स के स्तर पर दर्ज किया गया है। कुछ उत्तेजना प्रोटोकॉल को अल्पकालिक अन्तर्ग्रथन वृद्धि का प्रबंधन करने दें। इसे लंबे समय तक बनाया जा सकता है अगर एक मजबूत उत्तेजना (टेटेनिकली) उसी न्यूरॉन (निश्चित समय खिड़की के अंदर) पर परिवर्तित होने वाले कुछ अन्य पथ को उत्तेजित करता है।

पार्श्व निषेध

(पार्श्व निषेध, चारों ओर निषेध, चारों ओर से दमन)

यह सरल सिद्धांत गुफा समय के वैज्ञानिकों को ज्ञात है। शायद आपने इस तरह के भ्रम को देखा:

तंत्रिका विज्ञान की भोर में, यह माना जाता था कि एक न्यूरॉन अपने ग्रहणशील क्षेत्र में एक उत्तेजना की तलाश में था, और अगर वांछित उत्तेजना वहां पाई गई, तो न्यूरॉन तीव्रता से स्पाइक्स करता है। यदि यह काफी पाया नहीं गया था, लेकिन ऐसा लगता है - यह स्पाइक्स भी उत्पन्न करता है, लेकिन इतनी तीव्रता से नहीं। और फिर यह पता चला कि एक न्यूरॉन की गतिविधि को उसके ग्रहणशील क्षेत्र के बाहर की गतिविधियों से दबाया जा सकता है ।

उत्तेजक नेटवर्क (यह भी मुख्य एक है) के अलावा, मस्तिष्क में एक और भी है - निरोधात्मक इंटर्नशिप का एक नेटवर्क। एक नियम के रूप में, "मुख्य" न्यूरॉन्स नेटवर्क में उत्तेजना प्रदान करते हैं, और इंटिरियरनॉन इसे रोकते हैं। आंतरिक क्षेत्रों में कार्रवाई का एक स्थानीय क्षेत्र है। इंटिरियरन की तुलना में अधिक प्रमुख न्यूरॉन्स हैं, लेकिन इंटर्नओरॉन अधिक विविध हैं। विशेष रूप से, उल्लिखित दृश्य भ्रम माना जाता है कि निरोधात्मक लोगों के साथ उत्तेजक न्यूरॉन्स की बातचीत के कारण होता है। प्रक्रिया का तर्क यह है: जितना अधिक न्यूरॉन सक्रिय होता है, उतना ही यह पड़ोस में गतिविधि को रोकता है। उत्तेजक न्यूरॉन्स न्यूरॉन्स की अगली परत के लिए सिग्नल में सबसे बड़ा योगदान देने के अधिकार के लिए एक दूसरे के साथ प्रतिस्पर्धा करते हैं। यदि आप बहुत सक्रिय थे, तो आप पड़ोसियों को बहुत धीमा कर देंगे। यदि पड़ोसी कमजोर रूप से सक्रिय थे, तो वे आपको थोड़ा धीमा कर देंगे।नतीजतन, इनपुट डेटा में सभी गैर-रैखिकताएं "बाहर रहना" और भी अधिक होती हैं, और अगली परत पहले से ही इसके साथ काम करेगी।

सिद्धांत का एक बहुत स्पष्ट चित्रण

- . , , .

भविष्यवाणी त्रुटि डिटेक्टर [8]

डोपामाइन न्यूरॉन्स एक इनाम प्राप्त करने के लिए इनपुट सिग्नल में "कुंजी" के कुछ प्रकार को बांधना सीखते हैं। वे निम्नलिखित एल्गोरिथ्म का उपयोग करते हैं:

(1) यदि कोई अप्रत्याशित इनाम होता है, तो न्यूरॉन्स स्पाइक्स की आवृत्ति बढ़ाकर प्रतिक्रिया करते हैं ( हमारे पास एक सकारात्मक त्रुटि है )।
(२) प्रशिक्षण के बाद, वे पहले से ही "महत्वपूर्ण घटना" पर प्रतिक्रिया करते हैं, और पुरस्कार के लिए नहीं। यानी इनाम के पूर्ववर्ती पर वे आवृत्ति में वृद्धि जारी करते हैं। और इनाम के लिए, यदि यह समय पर आता है, तो कोई प्रतिक्रिया नहीं है ( हमारी कोई गलती नहीं है )।
(3) यदि एक प्रशिक्षित न्यूरॉन ने इनाम की भविष्यवाणी की है, लेकिन ऐसा नहीं हुआ, तो यह स्पाइक्स की आवृत्ति कम होने से प्रतिक्रिया करता है ( हमारे पास एक नकारात्मक त्रुटि है )

यह माना जाता है कि सिर्फ साहचर्य प्रशिक्षण नहीं है, बल्कि "कारण-प्रभाव" संबंध की स्थापना है। यही है, उदाहरण के लिए, गरज के साथ बारिश के साथ सहसंबद्ध होता है, क्योंकि अक्सर ऐसा होता है - आप बादलों को देखते हैं, और फिर आप बारिश को देखते हैं। एक ही चीज एक छतरी के साथ होती है: आप लोगों में छाते देखते हैं, और फिर आप बारिश को देखते हैं। लेकिन अगर कम से कम एक बार छतरियों के बिना बारिश शुरू हुई, तो यह पहले से ही स्पष्ट है कि छतरियां बारिश का कारण नहीं हैं।

पढ़ने वालों के लिए बोनस: एक विशिष्ट न्यूरॉन पर एक वातानुकूलित पलटा की घटना

, - . : , ( ) , . , . .

, — . , , . “ ”. . , , -. . ( ) :

1) 100 000 ( )
2) ( - inferior olive)

( , ), — . , , , :

, (), (). — , — (ISI) (CS) (US) , .

, , . , . . , , - .[9].
, (supervised learning), , (unsupervised learning), — (reinforcement).

निष्कर्ष

पहली नज़र में, एक ही एसटीडीपी स्पाइक न्यूरॉन्स के नेटवर्क के लिए एक संपूर्ण शिक्षण एल्गोरिथ्म की तरह लग सकता है। लेकिन वास्तव में वर्तमान में कोई प्रभावी ढंग से कृत्रिम स्पाइक मॉडल नहीं सीख रहे हैं। यही है, वे कुछ कर सकते हैं - उदाहरण के लिए, एमएनआईएसटी बेंचमार्क पर 95% बाहर दें - लेकिन उन पर अधिक गैर-तुच्छ कार्य बहुत अच्छे नहीं हैं।

हाल के वर्षों में बहुत अधिक प्रगति नेटवर्क में हुई है जहां स्पाइक्स एक वर्ग के रूप में अनुपस्थित हैं। प्रशिक्षण एल्गोरिदम वहाँ त्रुटि की सतह पर ढाल वंश पर आधारित हैं, जहां त्रुटि synapse वजन का एक कार्य है। समय पहलू के साथ काम टोपोलॉजी में फीडबैक के माध्यम से प्राप्त किया जाता है। ध्यान और सुदृढीकरण सफलतापूर्वक इन नेटवर्क में पेश किया जा रहा है। इस पृष्ठभूमि के खिलाफ, स्पाइक मॉडल अभी भी "खराब" दिखते हैं।

इनमें से कौन सा निष्कर्ष है? यह सुनिश्चित करने के लिए कहना मुश्किल है। शायद स्पाइक नेटवर्क में सफलता अभी भी हमें इंतजार कर रही है: यह कुछ भी नहीं है कि मस्तिष्क में स्पाइक न्यूरॉन्स नहीं हैं। और शायद वर्तमान स्पाइक मॉडल में हमारे हार्डवेयर की प्रसंस्करण शक्ति "खुद को दिखाने के लिए" नहीं है। अंत में, शायद स्पाइक्स जैव-लोहे की एक निम्न-स्तरीय विशेषता है, जिसके शीर्ष पर मस्तिष्क किसी भी रूप में गलती से एक ही ढाल वंश को लागू करता है। हालांकि, यह मैदान की कमी के कारण न्यूरोबायोलॉजी की वर्तमान कामकाजी परिकल्पना में शामिल नहीं है।

मस्तिष्क के हुड के नीचे कुछ एल्गोरिदम