مغز چگونه با صحبت كردن با خود يادگيري ميبيند؟
بسياري از موجودات زنده ظرفيت يادگيري عظيمي دارند كه به آنها امكان ميدهد اطلاعات حسي جديد را براي كسب مهارتهاي جديد يا سازگاري با محيطِ درحالتغيير درك كنند. بااينحال، بسياري از سازوكارهاي يادگيري بهخوبي درك نشدهاند. يكي از موضوعات اشكالساز مرتبطبا سيستم عصبي، توضيح اين مسئله است كه چگونه ارتباطات سيناپسي براي حمايت از رفتارهاي مرتبطبا تطابقپذيري تغيير ميكند. دانشمندان علوم اعصاب دانشگاه جنوا در سوئيس، قبلا نشان دادهاند سازوكارهاي سيناپسي يادگيري در قشر مغز به بازخوردهاي حاصل از مناطق عميقتر مغز وابسته هستند. آنها اكنون كشف كردهاند اين دريچههاي بازخوردي سيناپسي، با خاموش و روشنشدن نورونهاي بازدارنده تقويت ميشوند.
اين مطالعه نهتنها عطفگاهي در افزايش درك ما در زمينهي سازوكارهاي يادگيري ادراكي است؛ بلكه ممكن است چشماندازي تازه بهسوي سيستمهاي يادگيري كامپيوتري و هوش مصنوعي بگشايد. قشر مغز و بخش خارجي و بزرگ مغز در عملكردهاي شناختي بيشتر، رفتارهاي پيچيده، ادراك و يادگيري نقش دارد. پس از رسيدن محركهاي حسي، قشر مغز اطلاعاتش را قبل از اينكه به ديگر مناطق مغز عبور دهد، پردازش و فيلتر ميكند. بعضي از اين مناطق بهنوبهي خود اطلاعات را به قشر مغز بازميگردانند.
اين حلقهها كه با عنوان سيستمهاي بازخورد شناخته ميشوند، تصور ميشود براي عملكرد شبكههاي قشري مغز و انطباق آنها با اطلاعات حسي جديد ضروري باشند. براي يادگيري ادراكي (توانايي بهبوديافته براي پاسخ به محركهاي حسي)، ابتدا مدارهاي عصبي اهميت اطلاعات حسي وارده را بايد ارزيابي كنند و سپس، نحوهي پردازش آن در آينده را پالايش كنند. آنتوني هولتمات، استاد علوم اعصاب كه سرپرستي اين مطالعه را برعهده داشته، ميگويد:
سيناپسهايي كه مسئول انتقال اطلاعات به ديگر مناطق مغز هستند، اين كار را ازطريق سيستمهاي بازخورد انجام ميدهند.
موهاي روي پوزهي موش ازانديشه متخصصين حس لامسه تخصص يافتهاند و نقش عمدهاي در توانايي جانور براي درك محيط مستقيمش دارند. بخشي از قشر مغز كه اطلاعات حسي حاصل از اين موها را پردازش ميكند، بهطور مداوم سيناپسهاي خود را بهمنظور يادگيري جنبههاي جديدي دربارهي محيط لمسي بهينهسازي ميكند. بنابراين، اين، مدلي جالب براي درك نقش سيستمهاي بازخورد در سازوكارهاي يادگيري سيناپسي است.
پژوهشگران مدار بازخورد مرتبطبا موهاي روي پوزهي جانور را جدا كردند و از الكترودهايي براي اندازهگيري فعاليت الكتريكي نورونهاي قشر مغز بهره بردند. سپس، آنها ورودي حسي را با تحريك بخش خاصي از قشر مغز تقليد كردند كه در پردازش اين اطلاعات نقش دارد و در همان زمان، از نور براي كنترل مدار بازخورد استفاده كردند. هولتمات گفت:
اين مدل در خارج از بدن جانور به ما اجازه داد تا اين بازخورد را مستقل از وروديهاي حسي كنترل كنيم؛ موضوعي كه در آزمايش داخل بدن جانور ممكن نيست. قطع ارتباط ورودي حسي از بازخورد، براي درك اثر متقابل بين دو عنصر مؤثر در تقويت سيناپسي ضروري بود.مقالههاي مرتبط:تفسير عصبي خودآگاهي در مغز انسانمغز چگونه به رمزگشايي از گفتار ميپردازدمغز چگونه براي يادگيري از بين موضوعات مختلف تصميم ميگيرد
پژوهشگران متوجه شدند هر دو مؤلفه وقتي بهطور جداگانه فعال ميشوند، طيف وسيعي از نورونها را فعال ميكنند. اگرچه وقتي بهطور همزمان فعال شدند، فعاليت برخي از نورونها حقيقتا كاهش يافت. لينا ويليامز، يكي از نويسندگان مقاله ميگويد:
جالب اين است نورونهايي كه وقتي ورودي حسي و بازخورد باهم اتفاق ميافتد، مهار ميشوند، معمولا نورونهايي را مهار ميكنند كه براي ادراك مهم هستند. اين فرايند بهعنوان مهارِ مهار يا بازداريزدايي (Disinhibition) شناخته ميشود. بنابراين، اين نورونها همچون دريچهاي براي اطلاعات ورودي عمل ميكنند و معمولا بسته هستند. باوجوداين، وقتي بازخوردها ميآيند، دريچه بازميشود و به سيناپسها اجازه ميدهد از اطلاعات حسي اوليه مراقبت و آنها را تقويت كنند.
او افزود:
با اين مطالعه مشخص كرديم چگونه بازخوردها احتمالا ارتباطات سيناپسي را بهمنظور آمادگي براي اطلاعات ورودي آينده بهينهسازي ميكنند. اكنون كه آنها دقيق شناسايي كردهاند كدام نورونها در اين سازوكار مشاركت دارند، قصد دارند نتايج خود را در زندگي حقيقي آزمايش كنند. براي نمونه، بهمنظور مطالعه اين موضوع كه آيا نورونهاي مهاركننده زمانيكه موش نياز است اطلاعات حسي جديدي ياد بگيرد يا زمانيكه جنبههاي جديدي از محيط لمسي را كشف ميكند، طبق پيشبيني رفتار ميكند يا نه.
چگونه مدارهاي مغزي، خودشان را بهينهسازي ميكنند؟ چگونه سيستم ميتواند با خواندن فعاليت خودش يادگيري ببيند؟ جداي ارتباط با يادگيري در حيوانات، اين سؤال در قلب برنامههاي يادگيري ماشين نيز قرار دارد. درواقع، برخي از متخصصان يادگيري عميق تلاش ميكنند براي ايجاد سيستمهاي هوش مصنوعي، از عمل مدارهاي مغزي تقليد كنند.
اطلاعاتي كه در اين نوع پژوهشها بهدست ميآيد، شايد مربوط به يادگيري بدون نظارت باشد؛ شاخهاي از يادگيري ماشين كه با مدلهايي مداري كار ميكند كه ميتوانند اطلاعات جديد را خودسازماندهي و بهينه كنند. اين نتايج براي مثال بهمنظور ايجاد برنامههاي كارآمد تشخيص صدا و چهره مفيد است.
هم انديشي ها