فهرست مطالب
نورون های غیر قابل اعتماد در مغزمان چه می کنند؟!
نورون های غیر قابل اعتماد در مغزمان چه می کنند؟! ابتدا لازم است درباره مغز انسان و نورون های قابل اعتماد و نورون های غیر قابل اعتماد را بررسی کنیم و سپس دلیل وجود نورون های غیر قابل اعتماد در مغز بپردازیم.
مغز انسان
مغز انسان به دلیل پیچیدگی آن هنوز ضعیف شناخته شده است. برای دهه ها، محققان بر درک الگوها و عملکردهای مغز انسان و به طور کلی مغز پستانداران تمرکز کرده اند. عملکردهای منحصر به فرد مغز پستانداران، مانند پردازش موازی اطلاعات، انرژی کم و قابلیت های یادگیری، آن را جذاب می کند. نورون های باورنکردنی در مغز
این توانایی منحصر به فرد نه تنها برای دانشمندان علوم اعصاب، بلکه برای فیزیکدانان و مهندسان برق/مواد نیز مورد توجه است. تلاش های زیادی برای تحقق بخشیدن به “مغزهای مصنوعی” با تکنیک های مبتنی بر سخت افزار یا نرم افزار انجام شده است.
به طور خاص، دومی اغلب به عنوان یک شبکه عصبی ابریشم نامیده می شود. در اینجا اصطلاح “مغز مصنوعی” به یک سیستم الکترونیکی اشاره دارد. برنامه ای که برخی از فعالیت های ماهیچه ای محدود را تقلید می کند. به طور کلی، از چنین تلاش هایی اغلب به عنوان فناوری نورومورفیک یاد می شود. اصطلاحی که کارور مید ابداع کرد.
سیستم عصبی پستانداران یک شبکه عصبی پیچیده از نورون ها و سیناپس ها است.
سیناپس ها بین نورون های همسایه ارتباط برقرار می کنند و به عنوان خاطرات محلی عمل می کنند. سیناپس ها و نورون ها اجزای مهم شبکه های عصبی مصنوعی (ANN) هستند.
توجه داشته باشید که در این مطالعه ANN شبکه ای از سخت افزار و نرم افزار را نشان می دهد. نورون ها بسیار مهم هستند. زیرا آنها پتانسیل های عمل (معروف به اسپایک) تولید می کنند. آنها به عنوان واحدهای اطلاعاتی در شبکه عصبی عمل می کنند.
انواع مختلفی از مدل های نورون مصنوعی را می توان در شبکه های عصبی مصنوعی استفاده کرد. مدل هایی که به راحتی در شبکه های عصبی مصنوعی قابل پیاده سازی هستند.
تلاش برای تحقق انواع مختلف نورون‌های سخت‌افزاری مصنوعی
یک روند تحقیقاتی در حال ظهور اخیر در مهندسی نورومورفیک، اتخاذ روش‌های جایگزین برای تولید نورون‌ها و سیناپس‌های مصنوعی است. این دیدگاه های نوظهور با دیدگاه اصلی متفاوت است. زیرا توابع ابری با معرفی عناصر کاربردی مبتنی بر مواد که می توانند جایگزین عناصر مبتنی بر CMOS در اولی شوند، پیاده سازی می شوند.
یکی از مزایای این روش‌های جدید این است که می‌توانند طراحی شبکه‌های عصبی مصنوعی را با استفاده از عناصر CMOS کمتر نسبت به روش معمولی ساده‌تر کنند.
نمونه ای از چنین رویکردی Pickett et al. ، که با استفاده از دو جفت عایق موت و یک خازن به نورون LIF دست یافت. اساساً، مفهوم نوریستور که توسط کرین در سال ۱۹۶۲ معرفی شد در مدل نورون LIF اعمال شد. بنابراین، این نورون LIF در این مطالعه به عنوان یک نورون LIF مبتنی بر نوریست (NLIF) شناخته می شود تا آن را از نورون های استاندارد LIF متمایز کند.
نورون های غیر قابل اعتماد در مغز
این مقاله چند روز پیش در Scientific Reports منتشر شد. گروهی از دانشمندان به طور تجربی نشان داده‌اند که دوره‌های سکوت مکرری وجود دارد که نورون به ورودی‌های خود پاسخ نمی‌دهد. برخلاف وسایل الکترونیکی که سریع و قابل اعتماد هستند. مغز از نورون های غیر قابل اعتماد تشکیل شده است.
پروفسور ایدو کانتر، از دانشگاه برایلان، گفت:
«یک گیت منطقی همیشه خروجی یکسانی را به ورودی یکسان می‌دهد. در غیر این صورت دستگاه‌های الکترونیکی مانند تلفن‌های همراه و رایانه‌ها که از میلیاردها گیت منطقی به هم پیوسته تشکیل شده‌اند، به خوبی کار نمی‌کنند». گروه فیزیک دانشگاه ایلان و مرکز تحقیقات چند رشته ای مغز گوندا (گلدشمید) که این مطالعه را رهبری کردند.
ممکن است به مطلب علاقه مند باشید:
عوارض آپنه خواب و درمان اختلالات خواب با نوروفیدبک در کلینیک زندگی شاد
مقایسه غیرقابل اعتماد بودن مغز با رایانه یا تلفن همراه:
گاهی اوقات رایانه شما ۱ + ۱ = ۲ و در موارد دیگر ۱ + ۱ = ۵ پاسخ می دهد یا شماره گیری ۷ در تلفن همراه شما اغلب می تواند به ۴ یا ۹ منجر شود به نظر می رسد این یک ضعف بزرگ برای مغز است اما آخرین تحقیقات ما چیز دیگری را نشان می دهد. ”
برخلاف آنچه ممکن است فکر کنیم، کانتر و تیمش نشان داده‌اند که دوره‌های عدم فعالیت عصبی یک نقطه ضعف نیست. یا محدودیت های بیولوژیکی را نشان نمی دهند. بلکه شناسایی توالی زمانی یک مزیت است. “فرض کنید می خواهید شماره تلفن ۰۷۶۵ را به خاطر بسپارید.”
مکانیسم طرد مغز منبع پیشنهادی مکانیسم هوش مصنوعی جدید است. علاوه بر این، نشان داده شده است که این شروع نوع جدیدی از سیستم رمزنگاری برای تشخیص دست خط در دستگاه های باجه خودکار (ATM) است.
این سیستم رمزگذاری به کاربران اجازه می دهد تا به جای تایپ پین در دستگاه خودپرداز، شماره اطلاعات شخصی (PIN) خود را بر روی صفحه کلید الکترونیکی تایپ کنند.
شناسایی توالی توسعه یافته توسط کانتور و تیمش قادر به شناسایی پین صحیح بر اساس دوره تاریک نورون است. همچنین می تواند سبک دست خط شخصی کاربر و زمان نوشته شدن هر رقم پین روی برد را تشخیص دهد. این ویژگی های اضافی محافظت در برابر کارت های سرقت شده را فراهم می کند. حتی اگر دزد پین کاربر را بداند.
خلاصه:مدت زمان خاموشی نورون ها یک مزیت در شناسایی توالی های زمانی است، نه یک نقطه ضعف که نشان دهنده محدودیت های بیولوژیکی باشد.
منبع:دانشگاه برایلان
ممکن است به این مطلب علاقه مند باشید:
درمان آلزایمر در جوانی و تقویت حافظه با نوروفیدبک در کلینیک زندگی شاد
مکانیسم خاموشی نورونی الهام گرفته از مغز، نورون های غیرقابل اعتماد در مغز
روش های فعلی با استفاده از شبکه های عصبی مرسوم از مشکلات آموزشی رنج می برند. با این حال، اجرای این فرآیند بدون سیستم بازخورد همچنان یک چالش است.
در اینجا ما یک مکانیسم نوروپلاستیسیتی طولانی مدت برای شبکه‌های توالی‌یابی پیش‌خور با وضوح بالا (شبکه‌های هویت) بدون حلقه‌های بازخورد ارائه می‌کنیم. جایی که اشیاء وارد شده دارای نظم و زمان خاصی هستند.
این سیستم پس از فعالیت فعلی اعصاب را برای مدت کوتاهی خاموش می کند. بنابراین اقلام کوتاه مدتی که در شبکه های خوراک مختلف کار می کنند به صورت پویا ایجاد می شوند.
۱۰ شبکه ID برای شناسایی قابل اعتماد توالی اعداد دست نویس معرفی شده اند. آنها همچنین به شبکه‌های عصبی کانولوشنال عمیق گسترش یافته‌اند، جایی که گره‌های فعال‌سازی پیوسته بر روی توالی‌های تصویر آموزش داده می‌شوند.
عملکرد طبقه بندی آنها برای دنباله هایی با تعداد محدودی از نمونه های آموزشی بالا است. با این حال، برای اشیاء فردی کمتر است. شبکه ID همچنین برای شناسایی وابسته به نویسنده پیاده سازی شده است و به عنوان یک ابزار رمزنگاری برای احراز هویت رمزگذاری شده طراحی شده است. مکانیسم پیشنهادی افق های جدیدی را برای الگوریتم های ANN پیشرفته باز می کند.
برای اطلاعات بیشتر با ما در کلینیک زندگی شاد در ارتباط باشید.
منبع: Unreliable Neurons Improve Brain Functionalities – Neuroscience News
Visits: 16
بدون دیدگاه