نوروسافاری | دانش مغز و علوم اعصاب دانش مغز و علوم اعصاب. در این وبسایت خلاصه ای از مهمترین تحقیقات همه رشته های علوم اعصاب و مغز را می توانید به زبان ساده بخوانید. تلاش ما جهت هم افزایی بین رشته ای جهت پیشرفت بیشتر این علم است.
مغز هنگام تصمیم گیری از متراکم سازی داده ها استفاده می کند
اگر در دهه ۱۹۸۰ بزرگ شده اید یا دوست دارید بازی های ویدیویی قدیمی انجام دهید، ممکن است با بازیFrogger آشنا باشید. بازی می تواند بسیار دشوار باشد. برای موفقیت، ابتدا باید از یک جریان ترافیکی شلوغ عبور کنید و سپس از روی تخته های چوبی متحرک عبور کنید تا از مرگ حتمی جلوگیری کنید. چگونه مغز تصمیم می گیرد که در میان این هرج و مرج به چه چیزی توجه کند؟ یک مطالعه منتشر شده در مجله علمی Nature Neuroscience یک راه حل ممکن را ارائه می دهد: متراکم سازی دادهها!
یکی از نویسندگان ارشد این مطالعه کریستین ماخنز، رئیس آزمایشگاه علوم اعصاب نظری در بنیاد Champalimaud در پرتغال، گفت: متراکم سازی بازنماییهای دنیای بیرونی شبیه حذف تمام اطلاعات نامربوط و اخذ «دید تونلی» موقت از وضعیت است. این ایده که مغز با استفاده از متراکم سازی داده ها، عملکرد را به حداکثر می رساند در حالی که هزینه را به حداقل می رساند، در مطالعات پردازش حسی بسیار فراگیر است. جو پاتون، نویسنده ارشد، مدیر برنامه تحقیقاتی علوم اعصاب Champalimaud، گفت: با این حال، این امر در عمل در عملکردهای شناختی مورد بررسی قرار نگرفته است. ما با استفاده از ترکیبی از روش های تجربی و محاسباتی، نشان دادیم که همین اصل در طیف وسیعتری از کارکردها نسبت به آنچه قبلاً ارزیابی شده بود، گسترش مییابد.
محققان از یک الگوی زمانبندی در آزمایشهای خود استفاده کردند. موشها باید تصمیم میگرفتند که آیا فاصله ی بین دو تن صدای مختلف در هر آزمایش بیشتر یا کمتر از ۱٫۵ ثانیه است. در حالی که این حیوان در حال انجام این چالش بود، محققان به طور همزمان فعالیت نورون های دوپامینی را در مغز آن ثبت کردند.
ماخنز توضیح داد که به خوبی شناخته شده است که نورون های دوپامین نقش کلیدی در یادگیری ارزش اعمال دارند. بنابراین اگر حیوان به اشتباه فاصله ی زمانی را در یک جلسه ی آزمایشی تخمین زده باشد، فعالیت این نورونها یک «خطای پیشبینی» ایجاد میکنند که باید به بهبود عملکرد در آزمایشهای بعدی کمک کند
اسما موتیوالا، نویسنده اول این مطالعه، برای تعیین اینکه کدام مدل یادگیری تقویتی محاسباتی به بهترین وجه هم فعالیت نورونها و هم رفتار حیوانات را به تصویر میکشد، تعدادی مدل سازی انجام داد. مدلها در نحوه بازنمایی دادههایی که ممکن است برای انجام تکلیف مرتبط باشند متفاوت بودند، اما آنها اصول مشترک مشخص داشتند. این گروه دریافتند که داده ها به بهترین شکل توسط مدل بازنمایی تکلیف فشرده توضیح داده می شوند.
به نظر می رسد مغز تمام اطلاعات نامربوط را حذف می کند. عجیب است که ظاهراً خودش را از برخی اطلاعات مرتبط خلاص میکند، اما به اندازه ای نیست که تأثیری واقعی بر میزان پاداشی که حیوان به دست می آورد، داشته باشد. موش به وضوح می داند که چگونه در این بازی موفق شود. جالب اینجاست که نوع اطلاعات ارائه شده فقط مربوط به متغیرهای خود تکلیف نبود در عوض اقدامات خود حیوان را نیز نشان می دهد.
“تحقیقات قبلی بر ویژگی های محیط، مستقل از رفتار فرد متمرکز شده بود. اما ما متوجه شدیم که فقط مدل بازنمایی های فشرده شده که بر مبنای اقدامات حیوان است، داده ها را به طور کامل توضیح می دهد. در واقع، مطالعه ما اولین موردی است که نشان میدهد شیوههای یادگیری دنیای بیرونی ممکن است به روشهای غیرعادی با نحوه رفتار حیوانات تعامل داشته باشد”.
به گفته نویسندگان، این یافته کاربرد گسترده ای برای علوم اعصاب و همچنین برای هوش مصنوعی دارد. پاتون نتیجه گرفت “در حالی که مغز به وضوح برای پردازش کارآمد اطلاعات تکامل یافته است، الگوریتمهای هوش مصنوعی اغلب مسائل را با استفاده از دادهها و پارامترهای زیادی به صورت بی روح حل میکنند. کار ما مجموعهای از اصول را برای طراحی مطالعات آینده ارائه میکند که نشان می دهد چگونه بازنماییهای داخلی جهان ممکن است انتخاب برای عملکرد هوشمند در زمینه زیستشناسی و هوش مصنوعی را حمایت کند”
