شناسایی هدف عملکردی نورون های مهاری توسط مدل محاسباتی

محققان با استفاده از ابزارهای علوم کامپیوتری نطری ثابت کردند که در بستر مدل آنها، یک پیکربندی معین از نورون های مهاری، موثرترین شیوه ی به اجرا گذاشتن یک عملِ “برنده همه را بر میدارد” را فراهم میکند.

نوروسافاری | محققان در آزمایشگاه هوش مصنوعی دپارتمان علوم کامپیوتر دانشگاه MIT مدل محاسباتی جدیدی را از یک مدار نورونی در مغز تولید کردند که میتواند نقش بیولوژیکی نورون های مهاری را آشکار کند. وظیفه ی نورون های مهاری در واقع مهار کردن فعالیت یا همان شلیک کردن سایر نورون ها است.

به گزارش نوروسافاری به نقل از MIT News، مدل مذکور، یک مدار نورونی را شامل آرایه ای از ورودی نورون ها و تعداد یکسانی از نورون های خروجی تعریف میکند. مدار نورونی ذکر شده، عملی را به اجرا میگذارد که دانشمندان حوزه ی علوم اعصاب به آن یک عمل “برنده همه را بر میدارد” میگویند به طوری که در آن سیگنال های ورودی از نورون های متعدد، یک سیگنال خروجی را تنها در یک نورون خروجی تولید میکنند.

محققان با استفاده از ابزارهای علوم کامپیوتری نطری ثابت کردند که در بستر مدل آنها، یک پیکربندی معین از نورون های مهاری، موثرترین شیوه ی به اجرا گذاشتن یک عملِ “برنده همه را بر میدارد” را فراهم میکند. از آنجایی که این مدل رفتار نورون های مهاری درون مغز را به صورت تجربی پیش بینی میکند، نمونه ی خوبی از روش هایی است که در ان ها تحلیل های محسباتی به علوم اعصاب یاری میرساند.

محققان نتایج کار خود را همین هفته در کنفرانس ابداعات علوم کامپیوتری نظری ارائه خواهند کرد. نانسی لینچ، استاد علوم نرم افزار و مهندسی در دانشگاه MIT نویسنده ی ارشد این مقاله است. میراو پارتر، دانشجوی فوق دکتری گروه دکتر لینچ و کامرون موسکو دانشجوی ارشد مهندسی برق و علوم کامپیوتر به دکتر لینچ ملحق شده اند.

سال هاست که گروه دکتر لینچ در حال مطالعه ی ارتباطات و تخصیص منابع در شبکه های ad-hoc هستند. شبکه های ad-hoc در واقع شبکه هایی هستند که اعضای آنها به طور پیوسته شبکه را ترک کرده و دوباره به آن ملحق میشوند. اما اخیرا تیم وی شروع به استفاده از ابزارهای آنالیز شبکه برای بررسی پدیده های بیولوژیکی کرده اند.

دکتر لینچ بیان میکند:” تناظر نزدیکی بین رفتار شبکه هایی از کامپیوترها (یا سایر دستگاه هایی مانند تلفن های همراه) و رفتار سیستم های بیولوژیکی وجود دارد. ما در تلاش هستیم تا مسائلی را بیابیم که میتوانند از این چشم انداز محاسبات توزیع شده بهره مند شوند و این در حالی است که تمرکز ما روی الگوریتم هایی است که بتوانیم ویژگی های ریاضی را برای آنها اثبات کنیم.”

عصب شناسی مصنوعی

در سال های اخیر، شبکه های عصبی مصنوعی (مدل های کامپیوتری که تا حدی بر پایه ی ساختار مغز هستند) عهده دار برخی از سریع ترین پیشرفت ها در سیستم های هوش مصنوعی بوده اند. (از تبدیل گفتار به متن تا نرم افزارهای تشخیص چهره)

یک شبکه ی عصبی مصنوعی شامل گره هایی (همانند تک نورون ها) است که توان پردازش اطلاعات محدودی دارند اما به صورت متراکم به یکدیگر متصل هستند. داده هایی در اختیار لایه ی اول گره ها قرار میگیرد. اگر داده ی دریافتی یک گره، به آستانه ی مشخصی برسد، مثلا اگر اندازه ی ورودی از مقدار مشخصی فرا تر رود، گره، مانند نورون شلیک میکند یا به عبارت دیگر سیگنال هایی را به اتصالات خروجی ها خود میفرستد.

 با این حال، هر کدام از آن اتصالات خروجی یک وزن مختص به خود دارند که میتوانند سیگنال عبوری را افزایش یا کاهش دهند. هر گره در لایه ی بعدی شبکه، سیگنال های وزن دار را از چندین گره در لایه ی اول دریافت کرده و آنها را با هم جمع میکند و مجددا اگر مجموع آنها از آستانه بگذرد، گره مورد نظر شلیک میکند. سیگنال های خروجی این گره به سمت لایه ی بعدی میروند و همین طور تا آخر.

در کاربرد های هوش مصنوعی، یک شبکه ی عصبی با داده های نمونه تعلیم داده میشود که در طول این عمل، شبکه به طور پیوسته وزن خروجی گره ها و آستانه های شلیک آنها را تنظیم میکند. این عمل تا زمانی ادامه پیدا میکند که خروجی آخرین لایه، به طور ثابت، راه حل مربوط یک مسئله ی محاسباتی را ارائه کند. (به عبارتی خروجی یا همان راه حل تغییر نکند)

باورپذیری بیولوژیکی

لینچ، پارتر و موساکو اصلاحات متعددی را بر روی این طراحی اعمال کردند تا آن را از نظر بیولوژیکی باورپذیرتر و منطقی تر کنند. اولین اقدام آنها اضافه کردن نورون های مهاری بود. در یک شبکه ی عصبی مصنوعی، مقادیر وزنی اتصالات معمولا مثبت هستند یا توانایی مثبت و منفی بودن را دارند. اما ظاهرا در مغز برخی از نورون ها به طور کاملا اختصاصی نقش مهاری دارند و باعث جلوگیری از شلیک سایر نورون ها میشوند. محققان MIT این نورون ها را به شکل گره هایی که اتصالات آنها فقط وزن منفی دارند، مدل کردند.

همچنین بسیاری از کاربردهای هوش مصنوعی از شبکه های feed-forward (یا رو به جلو) استفاده میکنند. و این بدان معنی است که سیگنال ها درطول مسیر شبکه، در یک جهت حرکت میکنند و آن هم از لایه ی اول که ورودی ها را دریافت میکند به سمت لایه ی آخر که خروجی نهایی یا نتیجه ی محاسبات را تولید میکند. اما اتصالات مغز بسیار پیچیده تر هستند. بنابراین مدار لینچ، پارتر و موسکو feedback یا بازخورد را در خود دارد؛ سیگنال ها از نورون های خروجی به سمت نورون ها مهاری هدایت میشوند که خروجی این نورون های مهاری به سمت همان نورون ها باز میگردد. ارسال سیگنالِ نورون های خروجی، به خود آنها  نیز بازخورد میدهد که این امر اثبات کننده ی ضرورت اجرایی شدن استراتژی “برنده همه را بر میدارد” است.

شبکه ی طراحی شده توسط محققان دانشگاه MIT یک شبکه ی احتمالاتی است. در یک شبکه ی عصبی مصنوعی و معمولی اگر مقدار ورودی یک گره از یک آستانه ی خاص عبور کند، گره مورد نظر شلیک میکند. اما در مغز، اینگونه است که افزایش قدرت سیگنال وارده یه یک نورون ورودی، تنها باعث افزایش شانس شلیک کردن یک نورون خروجی میشود. این الگو در مورد مدل طراحی شده ی محققان MIT نیز صدق میکند. مجددا، این تغییر ایجاد شده، برای اجرایی شدن استراتژی ” برنده همه را بر میدارد” حیاتی است.

در مدل محققان MIT، تعداد نورون های ورودی و خروجی ثابت است و اجرای محاسبات استراتژی ” برنده همه را بر میدارد” به طور اختصاصی وظیفه ی بانکی از نورون های کمکی است. پارتر اینگونه توضیح میدهد:” ما در حال تلاش برای برقراری یک توازن مناسب بین زمان محاسباتی لازم برای حل یک مساله و تعداد نورون های کمکی هستیم. ما نورون ها را به عنوان یک منبع در نظر میگیریم و نمیخواهیم مقادیر زیادی از آن را خرج کنیم.”

محاسن مهار

پارتر و همکارانش توانستند نشان دهند که تنها با یک نورون مهاری، غیر ممکن است که در بستر مدل طراحی شده بتوان به اجرایی شدن استراتژی “برنده همه را برمیدارد” دست یافت. اما وجود دو نورون مهاری کافی است. فوت و فن این روش در آن است که یکی از نورون های مهاری، در صورتی که بیش از یک نورون خروجی در حال شلیک باشد یک سیگنال مهاری قوی را ارسال میکند. محققان به این نورون مهاری، نورون همگرایی میگویند. نورون مهاری دیگر نورون پایداری نام دارد و تا زمانی که هر کدام از نورون های خروجی در حال شلیک هستند، سیگنال بسیار ضعیف تری را ارسال میکند.

نورون همگرایی، مدار را به سمت انتخاب یک تک نورون خروجی هدایت میکند و در نقطه ای، شلیک خود را متوقف میکند. زمانی که نورون همگرایی خاموش میشود، نورون پایداری از فعال شدن یک نورون خروجی ثانویه جلوگیری میکند. مدارهای خود-بازخورد نورون های خروجی، این اثر را تقویت میکنند. هرچه یک نورون خروجی زمان بیشتری را در حالت غیر فعال سپری کند، با احتمال بیشتری به همان صورت غیر فعال باقی خواهد ماند؛ همچنین، هر چقدر بیشتر در حالت فعال بماند با احتمال بیشتری فعال باقی خواهد ماند. پس از آنکه یک نورون خروجی انتخاب شد، مدار خود-بازخورد مرتبط به آن، مطمئن میشود که نورون مذکور توانایی فائق آمدن بر اثر مهاری نورون پایداری را دارد.

با این حال، بدون اصل تصادفی بودن، مدار به سمت یک نورون خروجی همگرا نخواهد شد. این بدان معناست که هر تنظیمی که بر روی مقادیر وزنی نورون های مهاری اعمال شود، روی تمام نورون های خروجی، تاثیر یکسانی خواهد داشت. پارتر اینگونه توضیح میدهد:” به اصل تصادقی بودن نیاز داریم تا تقارن را از بین ببریم.”

محققان قادر بودند حداقل تعداد نورون های کمکی لازم برای اطمینان از وجود یک سرعت همگرایی خاص و همچنین حداکثر سرعت همگرایی ممکن در ازای تعداد مشخصی از نورون های کمکی را تعیین کنند.

اضافه کردن نورون های همگرایی بیشتر، سرعت همگرایی را افزایش میدهد؛ اما این افزایش سرعت در یک نقطه متوقف میشود. به عنوان نمونه ۱۰۰ نورون ورودی و ۲ یا ۳ نورون همگرایی تمام آن چیزی است که شما نیاز دارید؛ اضافه کردن نورون همگرایی چهارم، باعث بهبود راندمان نمیشود. همچنین وجود تنها یک نورون پایداری بهینه و مطلوب است.

اما شاید جذاب تر باشد که بدانید، محققان نشان دادند که وارد کردن نورون های تحریکی، در بین نورون های کمکی، نمیتواند همانند نورون های مهاری بهره وری مدار را افزایش دهد. حال آنکه نورون های تحریکی، نورون هایی هستند که به جای مهار باعث تحریک و شلیک سایر نورون ها میشوند. به صورت مشابه، یک مجموعه نورون های مهاری که تمایز بین نورون های همگرایی و پایداری را رعایت نمیکنند تاثیر کمتری در بهره وری خواهند داشت.

با فرض اینکه تکامل، تمایل دارد که مشکلات را با یافتن راه حل های کارآمد، مهندسی کند، این مدل طراحی شده، برای دو سوال موجود پاسخ هایی را پیشنهاد میدهد. سوال اول این است که چرا نورون های مهاری در مغز یافت میشوند؟ و سوال وسوسه انگیز دیگری که در تحقیقات تجربی مطرح میشود: آیا نورون های مهاری واقعی نیز به دو دسته ی نورون های همگرایی و پایداری تقسیم میشوند؟

سکت ناوالاکا، استادیار آزمایشگاه بیولوژی یکپارچه در موسسه مطالعات بیولوژیکی سالک اینگونه بیان میکند:” محاسبات مربوط به “برنده همه را برمیدارد” یک الگوی کاملا مفید و گسترده است که ما آن را در سراسر مغز مشاهده میکنیم و در بسیاری از سیستم های حسی، برای مثال سیستم بویایی، برای تولید کدهای پراکنده استفاده میشود.” وی اینگونه ادامه میدهد:” کلاس بندی های زیادی از نورون های مهاری وجود دارند که آنها را کشف کرده ایم، و طبیعتا قدم بعدی این است که دریابیم که آیا برخی از این کلاس بندی ها، به دو دسته ای که در این مطالعه پیش بینی شده تعلق پیدا میکنند یا خیر.”

زیو بارجوزف استاد علوم کامپیوتر در CMU می گوید:” کارهای زیادی در علوم اعصاب در زمینه ی مدل های محاسباتی وجود دارند که جزئیات بیشتری را در نظر میگیرند. این جزئیات فقط در مورد نورون های مهاری نیست بلکه جزئیاتی مانند اینکه چه پروتئین هایی این نورون ها را اداره میکنند و بسیاری موارد دیگر نیز، دخالت داده میشوند. نانسی به جای توجه به جزئیات، یک دید کلی از شبکه را مد نظر قرار داده است. او تمایل دارد که به برخی جنبه های کلی و عمده ی این تصویر نگاهی بیاندازد: ما واقعا به چه تعداد نورون های مهاری نیاز داریم؟ چرا در مقایسه با نورون های تحریکی، ما تعداد کمی از نورون های مهاری داریم؟ ویژگی منحصر به فرد موجود، این است که این مدل سازی با دید مدلسازی در سطح کلی، نوعی پیش بینی بسیار سطح بالا را در اختیار شما قرار میدهد.”

مترجم : سید محمد رضا گواهی – وبسایت نوروسافاری

منبع گزارش خبری از MIT News :

Model sheds light on purpose of inhibitory neurons

منبع مقاله، قابل دسترسی آزاد از وبسایت دانشگاه MIT :

Computational Tradeoffs in Biological Neural Networks: Self-Stabilizing Winner-Take-All Networks