مدلهای یادگیری ماشین (Machine-learning models) به دلیل الهام گرفتن از نورونهای مغز انسان در پردازش اطلاعات، شبکههای عصبی مصنوعی نامیده میشوند که میتوانند برای تکمیل انواع وظایف آموزش داده شوند.
حدود شش سال پیش، دانشمندان نوع جدید و قدرتمندتری از مدلهای شبکه عصبی را کشف کردند که به عنوان مبدل (Transformer) شناخته میشود. این مدلها میتوانند به عملکردهای بیسابقهای مانند ایجاد متن از منابع گوناگون با دقتی نزدیک به انسان دست یابند. زیر بنای سیستمهای هوش مصنوعی مانند ChatGPT و Brad یک مبدل است. مبدلها در عین کارآمد بودن پر رمز و راز هستند و برخلاف دیگر مدلهای شبکهای الهام گرفته از مغز، چگونگی ساخت آنها با استفاده از اجزای زیستی واضح نیست.
دانشمندان لابراتوار هوش مصنوعی دانشگاه MIT (Massachusetts Institute of Technology)، آزمایشگاه هوش مصنوعی واتسون (MIT-IBM Watson AI Lab) و دانشکده پزشکی هاروارد، فرضیهای مبنی بر چگونگی ساخت یک مبدل با استفاده از عناصر زیستی در مغز را ارائه دادند. براساس این نظریه، یک شبکهی زیستی از نورونها و سایر سلولهای مغزی به نام استروسیت (Astrocyte) تشکیل شدهاست که مانند یک مبدل میتواند همان محاسبات مرکزی را انجام دهد.
تحقیقات اخیر نشان دادهاست که استروسیتها، سلولهای غیرعصبی که در مغز فراوان هستند، با نورونها ارتباط برقرار کرده و در برخی فرآیندهای فیزیولوژیکی مانند تنظیم جریان خون نقش دارند. اما دانشمندان هنوز درک روشنی از چگونگی انجام محاسبات توسط این سلولها ندارند.
در این مطالعه که به تازگی (نیمه اول آگوست 2023) در قالب دسترسی آزاد در مجموعه مقالات آکادمی ملی علوم (Proceeding of National Academy of Science) منتشر شد، محققان نقش استروسیتها در مغز را از منظر محاسباتی بررسی کردند و یک مدل ریاضی ساختند که نشان میدهد چگونه میتوان از محاسبات انجام شده در نورونها برای ساخت یک مبدل زیستی قابل قبول استفاده کرد.
فرضیه آنها دیدگاههای جدیدی را ایجاد میکند که میتواند جرقهای در تحقیقات آینده علم عصب شناسی در ارتباط با نحوه عملکرد مغز باشد. همزمان، میتواند به محققان یادگیری ماشینی (Machin-learning researchers) کمک کند تا توضیح دهند چرا مبدلها در انجام مجموعهای از وظایف پیچیده بسیار موفق هستند.
Dmitry Krotov، یکی از محققان آزمایشگاه هوش مصنوعی MIT-IBM Watson و نویسنده مسئول این مقاله میگوید: “مغز به مراتب از بهترین شبکههای عصبی که ما ایجاد کردیم برتر است، اما ما واقعا نمیدانیم مغز چگونه کار میکند. از نظر علمی تفکر دربارهی ارتباط بین سخت افزارهای زیستی و هوش مصنوعی در مقیاس بزرگ بسیار ارزشمند است و این عصب شناسی برای هوش مصنوعی و هوش مصنوعی برای عصب شناسی است.”
در کنار Krotov در این مقاله، نویسنده اصلی، Leo Kozachkov ، دانشجوی فوق دکتری در دپارتمان علوم مغز و ادراک MIT و Ksenia V. Kastanenka استادیار عصب شناسی دانشکده پزشکی هاروارد و دستیار تحقیقات در مرکز عمومی تحقیقات ماساچوست (Massachusetts General Research Institute) قرار دارند.
یک فرآیند زیستی غیرممکن، ممکن میشود
مبدلها متفاوت از دیگر شبکههای عصبی عمل میکنند. بطور مثال، یک شبکه عصبی تکراری که برای پردازش زبان طبیعی آموزش داده شدهاست، هر کلمهی درون جمله را با وضعیت داخلی که توسط کلمه قبلی تعیین شدهاست مقایسه میکند. از سوی دیگر، یک مبدل تمام کلمات جمله را همزمان با هم برای ایجاد پیشبینی مناسب مقایسه میکند، فرآیندی که توجه به خود (self-attention) نام دارد. Krotov توضیح میدهد که برای اینکه توجه به خود کار کند، مبدل باید تمامی کلمات را به شکلی در حافظه خود نگهدارد. اما این امر از نظر زیستی به دلیل نحوه ارتباط رشتههای عصبی غیرممکن به نظر میرسد.
با اینحال، چند سال پیش دانشمندان نوع نسبتا متفاوتی از مدل یادگیری ماشینی را مطالعه کردند ( که تحت عنوان حافظه مرتبط با تراکم بالا، Dense Associated Memory شناخته میشود). آنها دریافتند در صورتی که ارتباط بین حداقل 3 رشته عصبی برقرار باشد مکانیسم توجه به خود میتواند در مغز نیز رخ دهد.
Kozachkov میگوید: عدد سه بطور ناگهانی به ذهن من رسید تنها به این دلیل که عصب شناسان اعتقاد دارند که این سلولها که استروسیت نامیده میشوند، و سلول عصبی نیستند، یک ارتباط سه طرفه با اعصاب را شکل میدهند که سیناپس یا پیام عصبی سه جانبه خوانده میشود. وقتی دو عصب با یکدیگر مرتبط میشوند، رشته عصبی پیش سیناپسی مواد شیمیایی که انتقال دهندههای عصبی نام دارند را میفرستند تا از سیناپس رد شده و آن را به عصب پس سیناپسی متصل کند. گاهی اوقات یک استروسیت نیز به اعصاب متصل میشود و با پیچیدن یک شاخک بلند و نازک به دور پیام عصبی یک پیام عصبی سه جانبه ایجاد میکند. یک استروسیت میتواند میلیونها پیام عصبی سه جانبه ایجاد کند.
Krotov میگوید: استروسیت برخی انتقال دهندههای عصبی که از محل اتصال سیناپس عبور میکنند را جمعآوری میکند. در برخی مواقع، استروسیت است که به رشتههای عصبی پیام میفرستد. از آنجایی که استروسیتها عملکرد طولانیتری در مقایسه با رشتههای عصبی دارند (به این صورت که پیام عصبی را با افزایش آهسته پاسخ کلسیمی خود و سپس کاهش آن ایجاد میکنند) این سلولها میتوانند اطلاعاتی که از اعصاب به آنها منتقل میشود را نگهداشته و یکپارچه کنند. به این صورت، استروسیتها میتوانند به عنوان نوعی بافر حافظه عمل کنند. او همچنین اضافه میکند که: اگر شما از این زاویه به استروسیت ها نگاه کنید، این سلولها دقیقا فرم طبیعی محاسباتی هستند که ما برای اجرای عملیات توجه داخل مبدلها نیاز داریم.
ساخت شبکه عصبی-استروسیتی
با این دیدگاه، محققان فرضیه خود را این گونه شکل دادند که استروسیتها میتوانند در نحوه محاسبات توسط مبدلها نقش داشته باشند. سپس آنها مدل ریاضیای را برای شبکه عصبی-استروسیتی پشنهاد دادند که مشابه مبدلها کار میکند. آنها هسته محاسباتی که مشابه مبدل بود را جدا کرده و یک مدل ساده بیوفیزیکی از آنچه استروسیتها و اعصاب در هنگام ارتباط در مغز انجام میدهند را براساس بررسیهای عمیق در مقالات و راهنماییهای همکاران عصبشناسشان، ایجاد کردند.
سپس این دو مدل را به روشهای مشخصی ادغام کردند تا به معادله شبکه عصبی-استروسیتی که فرآیند توجه به خود را توضیح میدهد، رسیدند. Kozachkov در این باره میگوید: گاهی اوقات آنچه ما میخواهیم اتفاق بیافتد قابل اجرا نیست. بنابراین ما باید به راهحلهای دیگر فکر میکردیم. در این مقاله، مواردی با تقریب نسبتا دقیق از ساختار مبدل وجود دارد تا بتوان آن را با روشهای قابل قبول زیستی مطابقت داد.
این محققان، از طریق تجزیه و تحقیق خود نشان دادند که شبکه بیوفیزیکی عصبی-استروسیتیشان از نظر تئوری با مبدل مطابق است. بهعلاوه، آنها با استفاده از تصاویر و متون در مدلهای مبدل توانستند به شبیه سازیهای عددی آنها برسند که پاسخ آن را را با پاسخهای شبکه عصبی-استروسیتی که شبیه سازی شده بود مقایسه کردند. هر دو روش پاسخ مشابهی به درخواستها داشتند که این مدل نظری را تایید میکند.
گام بعدی برای محققان، عملی کردن این نظریه است. آنها امیدوارند که پیشبینی مدلشان را با آنچه در آزمایشات زیستی مشاهده میشود مقایسه کنند و از این دانش در جهت اصلاح و شاید رد این نظریه استفاده کنند. بعلاوه یک استفاده از این مطالعه این است که شاید استروسیتها در حافظه بلند مدت ما دخیل باشند چرا که این شبکه به ذخیرهی اطلاعات برای عمل در آینده نیاز دارد مطالعات بیشتر میتواند این ایده را بیشتر مورد بررسی قرار دهد.
Kozachkov همچنین میگوید: به دلایل زیادی استروسیتها برای درک و بروز رفتارهای مختلف مهم هستند و نوع فعالیت آنها با سایر سلولهای عصبی کاملا متفاوت است. امید من برای این مقاله، این است که بتواند به عنوان کاتالیزوری در مجموعه تحقیقات علوم اعصاب محاسباتی برای سلولهای گلیال مخصوصا استروسیتها عمل کند. بخشی از این مطالعات توسط بنیاد خیریه BrightFocus و سازمان ملی سلامت (National Institute of health) حمایت شده است.
منبع:
https://www.sciencedaily.com/releases/2023/08/230815151142.htm