🤷🏿 👨🏻‍🎨 ⭐️ 大脑的结构和起始设置 🧝🏻 🥃 👈🏻

仅仅了解神经元的工作原理还不足以了解导致理性和智力行为的原因。进化通过创建一个相对简单的元素系统而实现了惊人的掌握，这些元素可以在与环境交互方面取得令人难以置信的成功。仅依靠一定数量的连接神经元（甚至是分层）将传感器和结论连接到该神经元并至少获得大脑的某种外观是不够的。数百万年进化的主要领域不是神经元，而是神经系统中神经细胞的结构和内部组织。

在上一部分中，我们讨论了小脑皮层的结构，从其示例可以看出，结构和组织是其功能的基础。让我们看看大脑皮层是如何组织的，人类由于其结构而成为地球上最成功的物种。

目录

1. 神经系统的模拟器。第1部分。简单的加法器
。2 .神经系统的模拟器。第2部分。调制的神经元
。3。神经系统模拟器。第3部分。联想神经元
4. 记忆，记忆巩固和祖母的神经元
5. 情绪建模或新奇的电子感觉
6. 小脑令人惊奇
7. 结构和开始的大脑设置

众所周知，人脑的大脑皮层由六个常规层组成，但是在许多进化阶段都以这种形式出现。因此，对于初学者来说，我们将考虑使用2到3层的简化版本，因为这种选择实际上也是发生的。从其进化发展的观点出发，研究任何生物结构都是更有利可图的。进化遵循皮质的两条发展路径：层数增加和皮质总面积增加。

皮质的第二个特征是存在所谓的皮质柱。我们可以说皮质柱是皮质结构的逻辑单元。胚胎发育过程中皮层自身的生长是通过分开，自我复制整个柱而进行的。如果我们想保持一定的增长结构，这是合乎逻辑的。

皮质柱基于锥体神经元。金字塔形神经元是神经系统中最大的神经元之一，因此，研究最深入，因为它们的大小允许您使用特殊的电极对它们进行作用而不会破坏细胞。这些神经元具有发达的树突系统，该树突遍布整个柱子，以及轴突，在某些情况下是输入或输出信号的来源。尽管事实上在皮质柱的第一层中可能存在多个这样的神经元，但它们都作为单个神经元起作用。一个锥体细胞的活性通常意味着整个细胞组的活性。神经系统的进化发展以前集中在可靠性上，一种功能复制或分布到细胞群中是普遍现象。不可能想象一种自然界创造的方案，其中只有一个细胞的死亡会导致整个功能单元功能的破坏。我们可以说列中一组锥体细胞的活动指示列本身的活动。

扬声器可以分为两种：形成信号和接收信号。列的类型取决于锥体神经元中是否存在轴突：传入还是传出。如果存在传入轴突，即发出信号，则在接收到信号后将激活色谱柱，如果存在传入轴突，则可以中继信号。在存在传出的轴突的情况下，柱活动的结果将是传出信号的形成。

锥体神经元的树突延伸到皮质的上层，在那里它们延伸超出其皮质柱的边界，因此在相邻柱之间进行局部相互作用。局部相互作用的一种形式是侧向（侧向）抑制。相邻柱的抑制是通过特殊抑制神经元进行的，这些神经元是皮层柱的一部分。主要是抑制性神经元对锥体神经元发挥作用，阻止其活化。

横向抑制发生在相邻的周围色谱柱上。它使我们能够使活动列区域的边界更加清晰，活动区域更加局部化。由于侧向抑制，出现了阻碍强力传播的障碍。

除了侧向抑制之外，还存在侧向冲动。通过调节这两个因素之间的平衡，可以精细调节大脑中一般活动的水平。例如，睡觉时，您需要降低活动水平，因此有必要加强横向抑制力并减弱冲动。这是通过特殊的化学信号和介体完成的。

对相邻列的影响并不总是呈均匀的同心分布形式。对于内嗅皮层，分布是特征性的，这使得激发更容易在某个三角形网络中传播。这些就是所谓的网格单元，它们通过另外修改住宿地点的图像来帮助动物在太空中导航。

皮质柱的下一个元素是一层许多相对较小的星状神经元。这种层通常称为颗粒层。由于它们的大小，与锥体神经元相比，该层神经元的研究较少。正是由于这一层的神经元的工作，联想连接的形成以及图像的形成，才可以在大脑的计算过程中为其分配主要角色。根据激励相互吸引的原理进行“计算”。颗粒层神经元是一种联想神经元。并且简单加法器的作用被分配给锥体细胞，这些元素是单独的，突出显示的图像。锥体神经元的大部分被激发后，将激活金字塔形神经元。

星状神经元之间的连接可以自由地超出其皮质柱的边界；可以说颗粒层几乎是连续的。

记忆，记忆巩固和祖母的神经元

这个版本的皮质柱和皮质结构非常简单，甚至看起来很原始，但是当大规模使用并且具有适当的设置时，您可以获得具有较高计算性能的结构。大自然一直选择最简单，最可靠和有效的解决方案，而我们的神经系统也不例外。我经常碰到一种观点，即神经元类似于某些超级计算机或量子计算机，该计算机使用其膜或量子机制上的某种离子振动来进行复杂的计算。即使是普通感知器的神经元中的求和算法也比生物学类似物中的算法复杂，在感知器中，信号来自哪个突触也很重要，而在生物学中，仅曝光总量至关重要。关于大脑难以达到的复杂性的定型思维可能会阻碍对生物系统本质的理解。

出乎意料的是，所描述的结构对于各种类型的皮质区域是通用的：感觉，运动和联想。取决于地壳区域的功能，各种层的相对厚度可以变化。例如，在运动皮层中，锥体神经元的层相对于颗粒层增加了，因为运动皮层的信号必须清晰，强壮。对于关联区域，星状神经元层扩大的特征是在形成关联反射弧时提供最大的灵活性。

皮层区域缠绕着许多键，这是由于轴突，神经元的长过程所致。轴突束形成神经，即所谓的白质。这些神经可以连接相邻区域和大脑相对的两半区域。此外，这些连接的体系结构是由于大脑的进化发展以及部分获得的经验和学习而引起的，但是对于不同的人，这些连接的图片将是相似的。有许多与这些关系的映射有关的科学项目，例如，Human Connectom Project。

让我们看一下这些通信的组织原则。

呈现的图仅是理解组织原理的示例。生物神经系统中的实际方案要复杂许多倍。

想象一个具有一系列相同类型受体的特定受体场，使您可以获得有关环境的一些信息。某些受体场形成合并的信号，例如眼睛的视网膜。此类信号需要某些分析功能。这些受体的代表性柱将以一定的密度沿着感觉皮层分布，同时在受体场（A）中保持受体排列的拓扑。根据激励相互吸引的原理，激励的某些部分将在皮质上形成，这将是接收到的组合信号的图像。初级感觉皮层通常具有最高的神经可塑性，即在不考虑先前收到的信息的情况下，将处理激发列的任何组合。生成的图像将被其他列读取，并且在感觉皮层上也将以一定的密度分布。这些列会将信息进一步传输到皮层的以下区域。 “读取”列的性质和密度为生成的图像提供了一定的过滤器。不难理解，这种处理方法会导致从受体接收到的信息大量丢失，所获得的图像不会给出明确的信息，即特定受体已被激活。 Evolution选择了两种方法来消除此问题。首先，这是数量过多的受体，可以补偿处理后信息含量的下降。其次，如果您从其他区域的受体复制信息，但是违反了代表性柱的位置相对于受体在受体场（B）中的位置的拓扑结构，即混淆他们。然后，在两个区域中受体活性的许多不同组合下，将形成图像的不同组合，从而提供了更多信息和更多可以突出显示的信号。自然，应该理解，信号的“混淆”是以严格定义的方式发生的，例如，如果“混淆”眼睛视网膜的整个视场，将不会有任何好处。混乱发生在受体场的小片段中。如果需要多次复制和混淆信号，我们当然可以。在神经系统中，这种分离的一个例子是处理视觉信号的背侧和腹侧途径。然后，在两个区域中受体活性的许多不同组合下，将形成图像的不同组合，从而提供了更多信息和更多可以突出显示的信号。自然，应该理解，信号的“混淆”是以严格定义的方式发生的，例如，如果“混淆”眼睛视网膜的整个视场，将不会有任何好处。混乱发生在受体场的小片段中。如果需要多次复制和混淆信号，我们当然可以。在神经系统中，这种分离的一个例子是处理视觉信号的背侧和腹侧途径。然后，在两个区域中受体活性的许多不同组合下，将形成图像的不同组合，从而提供了更多信息和更多可以突出显示的信号。自然，应该理解，信号的“混淆”是以严格定义的方式发生的，例如，如果“混淆”眼睛视网膜的整个视场，将不会有任何好处。混乱发生在受体场的小片段中。如果需要多次复制和混淆信号，我们当然可以。在神经系统中，这种分离的一个例子是处理视觉信号的背侧和腹侧途径。信号的“混淆”是以严格定义的方式发生的，例如，如果“混淆”眼睛视网膜的整个视野，则不会有任何好处。混乱发生在受体场的小片段中。如果需要多次复制和混淆信号，我们当然可以。在神经系统中，这种分离的一个例子是处理视觉信号的背侧和腹侧途径。信号的“混淆”是以严格定义的方式发生的，例如，如果“混淆”眼睛视网膜的整个视野，则不会有任何好处。混乱发生在受体场的小片段中。如果需要多次复制和混淆信号，我们当然可以。在神经系统中，这种分离的一个例子是处理视觉信号的背侧和腹侧途径。

通过大脑皮层处理信息的一般原理是信息从一个区域到另一个区域的顺序传输，连接密度降低。此外，在每个后续级别上，区域的神经可塑性都降低了，这增加了内存和经验，从而处理了先前计算的信息。因此，可以将与特定神经细胞相关的一些关键特征与处理后的信息区分开。简而言之，在具有较高处理水平的皮质区域中，将形成与最常见形式的已处理信号相对应的激励分布形式。

即使激活的组合不完整且嘈杂，通过频繁重复或情绪增强的列a，b和c的组合形成的图像“ abc”也将继续执行。

在信息处理的每个级别上，都花费一定的时间，如果有必要分析信息动态变化的时间，则可以将信息的一部分从每个级别复制到一个区域。生物学上的类似物是视觉信息处理MT（V5）区域，即颞中叶皮层，其中从区域V1，V2，V3 ...收集信息，该区域负责运动的感知。如果该区域受损，则会发生运动障碍-无法感知运动。

关联区域的结构相对简单，在这里设有各种感官和运动区域的代表处。此外，对于电动机表示，重要的是要有双向连接，要么可以在两个方向上工作的轴突，要么它们相邻且两端都在工作，或者同一列的两个轴突在不同方向上工作。应该有许多这样的区域，其代表处的位置具有不同的性质，因此同样可能形成不同组合的反射弧。在此类区域上会形成条件反射，因此，这些区域的延展性降低。

汽车和沿海地区的所有通信本质上都是双边的，这对于建立联系关系是必要的。本质上，原始区域应该形成从一个激发点到另一个激发点的序列的反射弧。为了具有更大的可变性，必须要有代表处来导致动作被反复混合，这类似于仅以相反顺序进行感官处理的情况。此外，所有运动动作都会与协调动作的特殊安排区域（小脑）相互作用。

提出的方案大大简化了大脑中三倍的方式，如果没有神经生物学领域的专家和研究连通性的科学家的参与，就不可能创建类似于人类神经系统的逻辑结构。

但是其余各层呢？ -确实，我只讲了三层皮层，但是在人脑中，大脑皮层有六层。大脑皮层被证明是进化的相当成功的产物，即使层数很少。进化原理：不要碰什么有效。因此，皮质中的全新层是现有层的附加层。如果看一下人类大脑的各层，您会发现我们没有六个可见层，而是两个逻辑层，它们的结构相似并且重复。进化只是重复了现有结构，以提高生产率。

外层的锥体细胞小于第一层的锥体细胞，这意味着它们基本上对活化因子具有更高的敏感性阈值。颗粒层将在相似的条件下工作，但外层的星状神经元具有较低的延展性，这意味着尽管接收到的信号相同，但在某些条件下颗粒层的活动模式可能会有所不同。

由于这两个逻辑层，出现了两个皮质柱活动模式。第一：全活动模式，激活两层锥体细胞，激活整个列。第二：部分活动模式，仅当上附加层被激活时。您可以将专栏的这两种操作模式与一个人以完整语音和低声说话的能力进行比较，耳语是部分活动，而完整的声音是全部活动。

它有什么作用？对于感觉皮层，这是信息处理的附加级别，也是处理这些区域的图像而无需通过受体激活的能力。换句话说，它可以发挥想象力。对于关联区域，这是附加的抽象级别，即具有较少共同特征的图像之间的关联的形成，因为附加层的锥体细胞的敏感度阈值较高。对于运动和运动皮层，这是一个无需直接执行运动即可进行运动的机会。仅在完全激活列的情况下，才会发生动作，而部分激活的动作仍保留在我们的想象中。

当然，大脑中的某些区域可以控制列模式的运行，就像我们可以很轻松地将说话的性质从耳语变成完全的力量一样。如果您增加了色谱柱中的抑制水平，则有可能仅将其部分激活，相反，如果放慢了色谱柱的速度，则可以立即将某些想法转化为行动。

幻想和高度的抽象思维使人成为地球上最成功的物种。

即使我们正确地配置了区域及其之间的关系，这也不足以得到有效的模型。需要无条件的反射。人天生具有丰富的反射机制，可以通过进化精心选择。

鉴于学习新反射总是在现有反射的基础上进行的事实，为模型设置无条件反射非常重要。如果任何动作不参与任何无条件的反射，那么就不可能学会控制这种动作。
在生物系统中，最初没有建立“清晰的”反射。出生后，我们无法精确控制四肢或走路。这是因为无法预先确定身体的某些参数，肢体的大小，其重量，肌肉产生的力等。此外，这些参数还在生物的生长过程中动态变化。因此，许多无条件的反射在其反应中具有特定的作用领域，并且在其活化受体的领域中具有前进的方向。还建立了与无条件反射相关的情绪机制，它将在发展的某个时刻触发反射以进行矫正。

以纠正反射的机制为例，以婴儿谈话为例。根据发展的某个阶段，of语的机制开始了，即几乎自发地开始“模糊”反射。当他们开始时，孩子开始发出各种声音，有时从侧面听到的声音会引起相同的反射。发音通常不符合预期，即与触发反射或假设触发的声音不符。孩子会听到他发出的声音，并收到团队和由此产生的行动之间的反馈。然后，新颖性的情感机制开始生效，将新颖性需求的中心与言语行为联系起来，这在可听声音和促使该行为的内在动机之间产生了新的联系。这导致动作的重复重复，导致新颖感饱和。据称，该儿童在the不休期间会发音地球上所有语言的所有声音。声音的重复重复导致根据所需结果形成清晰的动作模式。

类似地，发生了对电动机系统的掌握。最初，婴儿的运动几乎是混乱的，运动活动只是对情绪刺激的反应而增加。但是随着时间的流逝，人们会比较运动和视觉感知，触觉和身体姿势感知。

一些无条件的反射并不是那么原始；在某些情况下，模板图像被嵌入到神经系统中，几乎不可能将此类模板从生物系统转移到计算机模型。一个人具有与生俱来的能力来识别其物种个体的情绪和动作。因此，对于学习的某些方面，将需要应用一些变通方法。

为了通过对Android机器人进行多次爬网，站起来，步行和一系列摔倒的尝试来绕开电机系统的长期训练过程，可以应用控制拦截方法。

一个人可以通过特殊的设备和技术来将自己的身体控制经验转移到机器人上，以拦截运动。在机器人动作过程中受到控制的机器人的神经系统模型中，相应的表示将被激活，因此，如果机器人本身执行了这些动作。由于将形成必要的图像和关联连接。例如，在使用命令“举手”进行训练时-处于动作拦截模式的教练本人举手，这将导致团队与动作之间形成条件反射，以及团队与位置传感器处理后形成的图像之间的关联关系身体。

在训练大脑的电子模型的过程中，始终可以控制所需区域的可塑性，并且还有机会“深入”学习过程，并突出显示，指定和增强生成的图像。与人类训练有关，这将大大加速训练人工神经系统的过程。众所周知，根据描述的原理构建的模型将在大多数情况下像人一样接受训练，而无需与环境共享训练和互动。

而不是结论

本系列文章结束了研究和开发的下一阶段。为建模而开发的程序尽管功能有限，但仍可以为进一步的工作奠定理论基础。当然，由此产生的理论仍然需要完善，以及实际的确认和检查。但是现在，它将允许对神经系统建模的任务进行另一种观察。下一步是开发新的建模环境，这将使我们能够创建神经系统中发生的大规模过程的模型。并且还体现了许多思想，观察和理论结论。

我不是科学家，我的主要职业与智能系统的开发以及神经科学无关。但是，我将尽最大努力使该项目得出合乎逻辑的结论。我很高兴考虑您的建议，技巧和窍门，以及建设性的批评。我一定会在GeekTimes和我的YouTube频道的页面上告诉您有关项目开发的新闻。谢谢大家！

下载适用于Windows的神经系统模拟器

附注：在没有解释的情况下列出源代码将是不人道的。因此，我将在另一篇文章中发布到源的链接以及有关算法和逻辑的一些解释。

大脑的结构和起始设置

而不是结论

More articles: