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