IMAGE

تصویر: یک مدل گرافیکی از تحقیقات انجام شده توسط لین و همکاران. مشاهده بیشتر

اعتبار: Blevmore Labs

مغز انسان بسیار پیشرفته اطلاعات پردازنده متشکل از بیش از 86 میلیارد نورون. انسان ماهر در شناخت الگوهای از شبکه های پیچیده مانند زبان بدون هیچ گونه آموزش رسمی. قبلا شناختی دانشمندان سعی در توضیح این توانایی به تصویر می کشد مغز به عنوان یک بسیار بهینه سازی کامپیوتر, اما در حال حاضر وجود دارد بحث میان دانشمندان علوم اعصاب است که این مدل ممکن است به دقت منعکس کننده مغز چگونه کار می کند.

در حال حاضر پن محققان توسعه یک مدل متفاوت برای مغز چگونه تفسیر الگوهای از شبکه های پیچیده. منتشر شده در طبیعت ارتباطاتاین مدل جدید را نشان می دهد که توانایی تشخیص الگوهای ریشه در بخشی از مغز را هدف نشان دادن همه چیز در ساده ترین راه ممکن است. مدل خود را به تصویر می کشد مغز به طور مداوم به عنوان متعادل کننده دقت و با سادگی به هنگام تصمیم گیری. این کار انجام شد فیزیک توسط دانشجوی دکتری کریستوفر لین, علوم اعصاب, دانشجوی دکتری پژوهشگاه کان و پروفسور دانیل باست.

این مدل جدید ساخته شده است بر این ایده که مردم اشتباه می کنند در حالی که تلاش برای ایجاد حس از الگوها و این خطاها ضروری به گرفتن یک نگاه اجمالی از تصویر بزرگتر. “اگر شما نگاهی به یک روش نقطه نقاشی از نزدیک شما می توانید به درستی شناسایی هر نقطه. اگر شما گام به عقب 20 فوت جزئیات دریافت فازی اما شما به دست آوردن یک درک بهتر از ساختار کلی می گوید:” لین.

خود را به آزمون فرضیه محققان زد مجموعه ای از آزمایش های شبیه به یک مطالعه قبلی توسط Kahn. که مطالعه نشان داد که شرکت کنندگان نشان داده شد تکرار عناصر در یک دنباله مانند A-B-C-B و…. آنها به طور خودکار حساس به برخی از الگوهای بدون اینکه به صراحت آگاه باشید که الگوهای وجود داشته است. “اگر شما تجربه یک دنباله ای از اطلاعات مانند گوش دادن به گفتار شما می توانید انتخاب کنید تا برخی از آمار بین عناصر بدون آگاه بودن از آنچه که آمار می گوید:” کان.

برای درک اینکه چگونه مغز به طور خودکار می فهمد پیچیده مانند انجمن ها در توالی 360 شرکت کنندگان در مطالعه نشان داده شده روی صفحه نمایش کامپیوتر با پنج مربع های خاکستری مربوط به پنج کلید بر روی صفحه کلید. به عنوان دو نفر از پنج مربع را تغییر داد از خاکستری به قرمز شرکت کنندگان تا به حال به اعتصاب کلید کامپیوتر که مکاتبه به تغییر مربع. برای شرکت کنندگان الگوی تغییر رنگ مربع بود اما توالی شد و در واقع تولید شده با استفاده از دو نوع از شبکه ها.

محققان دریافتند که ساختار شبکه ای نهفته که چگونه به سرعت شرکت کنندگان می تواند پاسخ به محرک نشانه ای از انتظارات خود را از زمینه الگوهای. شد و پاسخ سریعتر زمانی که شرکت کنندگان نشان داده شد توالی بودند که با استفاده از تولید مدولار شبکه در مقایسه با توالی که از یک شبکه به شبکه.

در حالی که این دو نوع از شبکه ها نگاه متفاوت به چشم انسان در یک مقیاس بزرگ هستند در واقع از نظر آماری یکسان به یک دیگر در مقیاس کوچک. وجود دارد به همان تعداد از ارتباط بین گره ها و لبه ها حتی اگر شکل کلی متفاوت است. “کامپیوتر نمی خواهد در مورد مراقبت از این تفاوت در مقیاس ساختار, اما آن را در حال برداشت توسط مغز است. افراد بهتر می تواند درک مدولار شبکه های نهفته در ساختار و پیش بینی آینده تصویر می گوید:” لین.

با استفاده از ابزار از اطلاعات تئوری و تقویت یادگیری محققان قادر به استفاده از این اطلاعات برای پیاده سازی یک متری از پیچیدگی به نام آنتروپی. “بسیار تصادفی است حداقل مجتمع چیز شما می توانید انجام دهید در حالی که اگر شما در یادگیری توالی بسیار دقیق است که پیچیده ترین چیز شما می توانید انجام دهید. تعادل بین خطاها و پیچیدگی یا منفی آنتروپی افزایش می دهد به پیش بینی های این مدل می دهد و می گوید:” لین.

خود ناشی مدل از مغز و پردازش اطلاعات را به تصویر می کشد مغز به ایجاد توازن میان دو مخالف فشار: پیچیدگی در مقابل دقت و صحت. “شما می تواند بسیار پیچیده و یادگیری است اما پس از آن شما در حال کار واقعا سخت به یادگیری الگوهای می گوید:” لین. “یا شما را کاهش پیچیدگی فرایند آن آسان تر است اما شما نمی خواهید به یادگیری به عنوان الگوهای خوبی است.”

با مدل های جدید محققان نیز قادر به تعیین کمیت این تعادل با استفاده از یک پارامتر بتا. اگر بتا صفر است مغز باعث می شود بسیاری از خطاهای اما حداقل می رساند پیچیدگی است. اگر بتا بالا است و سپس مغز در نظر گرفتن اقدامات احتیاطی برای جلوگیری از خطا. “همه بتا می کند این است که هماهنگی بین آن مسلط می گوید:” لین. در این مطالعه 20 درصد از شرکت کنندگان در حال کوچک بتا 10 درصد بالا و ارزش بتا و 70 درصد باقی مانده بودند جایی در میان. “شما نگاه کنید به این گسترده ای گسترش ارزش بتا سراسر مردم,” او می گوید.

کان می گوید که این ایده از تعادل نیروهای نبود تعجب آور با توجه به مقدار زیادی از اطلاعات در مغز به پردازش تحت یک مقدار محدود از منابع و بدون صرف زمان بیش از حد ساده تصمیم گیری. “مغز در حال حاضر با استفاده از مقدار زیادی از سوخت و ساز, هزینه, بنابراین شما واقعا می خواهید به حداکثر رساندن آنچه که شما در حال گرفتن” او می گوید. “اگر شما فکر می کنم در مورد چیزی به عنوان اساسی به عنوان توجه وجود دارد ذاتی تجارت کردن در به حداکثر رساندن دقت و در مقابل هر چیز دیگری شما در حال نادیده گرفتن.”

و آنچه در مورد نقش اشتباه? مدل خود را فراهم می کند برای پشتیبانی از این ایده که مغز انسان نیست مطلوب یادگیری ماشین بلکه این است که اشتباهات و یادگیری از آنها نقش بزرگی در رفتار و شناخت. به نظر می رسد که قادر به نگاه در سیستم های پیچیده به طور گسترده تر مانند پله از یک روش نقطه نقاشی می دهد که مغز یک ایده بهتر از روابط کلی.

“آشنایی با ساختار و یا چگونه این عناصر مربوط به یک دیگر می توانید از ظهور ناقص رمزگذاری اطلاعات است. اگر کسی کاملا قادر به رمزگذاری تمام اطلاعات ورودی آنها لزوما نمی فهمم همان نوع گروه بندی از تجربه که آنها اگر کمی از فازی به آن می گوید:” کان.

“جالبترین چیز این است که خطا در چگونه مردم در حال یادگیری و درک جهان هستند موثر بر توانایی ما برای یادگیری ساختار. بنابراین ما بسیار طلاق گرفته چگونه از یک کامپیوتر عمل می کند می گوید:” لین.

محققان در حال حاضر علاقه مند در آنچه باعث می شود مدولار شبکه آسان تر برای مغز به تفسیر و نیز انجام MRI عملکردی مطالعات به درک آن در مغز این شبکه انجمن در حال تشکیل شده است. آنها همچنین کنجکاو که آیا مردم تعادل از پیچیدگی و دقت مایع است که آیا مردم می توانند تغییر در خود, و یا اگر آنها در حال “مجموعه” و همچنین امید به انجام آزمایش با استفاده از زبان ورودی در آینده.

“پس از درک بهتر چگونه سالم انسان ساخت در این مدل شبکه از جهان ما ما هیجان زده به نوبه خود به بررسی شرایط روانی مانند اسکیزوفرنی که در آن بیماران ساخت نادرست و یا در غیر این صورت با تغییر مدل از جهان خود می گوید:” باست. “ما کار اولیه راه را برای تلاش های جدید در زمینه ظهور محاسباتی روانپزشکی.”

###

این پژوهش در درجه اول پشتیبانی شده توسط ارتش ایالات متحده دفتر پژوهش و از طریق اعطای DCIST – W911NF-17-2-0181 و بنیاد ملی علوم از طریق اعطای NSF PHY-1554488.

tinyurlis.gdu.nuclck.ruulvis.netshrtco.de