نوروسافاری | دانشمندان ادعا میکنند که از الگوهای ایجاد شده توسط نورونها در مغز میتوانند برای درک بهتر عملکرد مغز استفاده کنند و ما را یک قدم به ایجاد رباتهای هوشمند نزدیکتر کنند.
تیم بین المللی از دانشگاه های نیوکاسل و زوریخ، ETH زوریخ و موسسه فناوری کالیفرنیا، تحقیقات خود را امروز در ژورنال زیست شناسی محاسباتی PLoS نشان میدهند که نحوه ساخت نورونها و الگوهای ایجاد شده توسط آنها میتواند برای توضیح نحوه رفتار و عملکردشان استفاده شود.
به گزارش نوروسافاری از دانشگاه نیوکاسل، با مدل سازی نورونها در قشر بینایی- که مسئول دیدن است – محققان نشان دادند که الگوهای به ظاهر تصادفی را میتوان با قواعد ساده رشد و نمو توضیح داد.
درنتیجه، از این الگوهای مکرر میتوان برای درک بهتر چگونگی سازماندهی اتصال نورونها برای برقراری ارتباط با یکدیگر، استفاده کرد.
نویسنده همکار مطالعه دکتر رومن باوئر، پژوهشگر در دانشکده محاسباتی، توضیح میدهد:
در نگاه اول، شبکهی سلولهای عصبی در مغز انسان بسیار پیچیده و درهم به نظر میرسد، بنابراین فکر میکنید شروع به درک نحوه اتصال همه آنها کاری غیرممکن است. اما آنچه ما نشان دادهایم این است که نورونهای خاصی، الگوهای ویژهای را ایجاد میکنند که از برخی قوانین کاملاً ساده پیروی میکنند. اگر بتوانیم این الگوها را در مغز پیدا کنیم پس میتوانیم از آنها برای پیش بینی اینکه این سلولهای عصبی خاص چگونه رفتار میکنند، استفاده کنیم.
تمرکز بر ارتباط تالاموس و قشر مغز
دکتر بائر با تمرکز کارش بر روی اتصالات بین تالاموس و نواحی قشر مغز، میگوید اگر بتوانیم درک کنیم که حیوانات چگونه محرکهای بصری را حس میکنند و اشیاء را می شناسند، این میتواند تکنولوژی فعلی را متحول کند.
وقتی ما جهت یک شی را تغییر میدهیم، مغز آن را به عنوان همان شیء تشخیص میدهد و به راحتی خود را با وضعیت تغییر یافته تطابق میدهد. اما دانش فعلی هوش مصنوعی با آن واقعا مشکل دارد.
اگر ما بتوانیم مغز را به چند الگوی کلیدی سادهسازی کنیم که بتواند توسط تکنولوژی تفسیر شود، ممکن است بتوان هوش مصنوعی ایجاد کرد که واقعاً مغز انسان را تقلید کند.
از همه مهمتر، درک دقیق شبکه سالم ، به ما این امکان یا اجازه را میدهد تا تغییرات یا ناهنجاری ها را تشخیص داده و از درمان های جدیدی آگاه شویم.
ترجمه: شیما صدیقی – وبسایت نوروسافاری
لینک خبر:
New insight into brain function
لینک مقاله:
A Generative Growth Model for Thalamocortical Axonal Branching in Primary Visual Cortex