Predictive learning with local plasticity in excitatory-inhibitory networks
تُثبت هذه الورقة أن الشبكات الاستثارية-التثبيطية المتكررة ذات اللدونة المحلية البحتة، ولا سيًا قواعد (BCM)، يمكنها تحقيق الاستدلال التنبؤي وتعلم السمات الزمكانية المتفرقة من خلال الحفاظ على الأوزان على متشعب الاتساق، مما يربط الترميز التنبؤي بآليات الدوائر البيولوجية الممكنة دون الحاجة إلى تمثيلات صريحة للخطأ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
يعتبر الدماغ البشري شبكة واسعة من مليارات الخلايا العصبية، التي تعمل باستمرار وتتصل ببعضها البعض لفهم العالم من حولها. وفي قلب هذا النشاط، توجد قوتان متضادتان: إشارات استثارية تشجع الخلايا العصبية على العمل، وإشارات تثبيطية تهدئها. ولعقود من الزمن، تساءل العلماء كيف يمكن لهذه التفاعلات المحلية البسيطة أن تسمح للدماغ بالقيام بشيء معقد مثل التنبؤ بما سيحدث تالياً. تشير إحدى الأفكار الرائدة، وتسمى "الترميز التنبئي"، إلى أن الدماغ يقوم دائماً بتخمين أسباب مدخلاته الحسية ولا ينتبه إلا للمفاجآت. ومع ذلك، ظل هناك لغز كبير قائماً: كيف يمكن لشبكة بيولوجية، لا يمكنها سوى تعديل روابطها بناءً على النشاط المباشر للخلايا المجاورة، أن تؤدي لعبة التخمين المتطورة هذه دون وجود كمبيوتر مركزي لحساب الأخطاء؟
تقدم دراسة جديدة من جامعة إدنبرة إجابة مقنعة من خلال إظهار كيف يمكن لنوع معين من الدوائر العصبية أن يتعلم التنبؤ بالمستقبل باستخدام قواعد محلية فقط. قام الباحثون ببناء نموذج حاسوبي لشبكة ترسل فيها الخلايا العصبية الاستثارية إشارات إلى الأمام، بينما توفر الخلايا العصبية التثبيطية تغذية راجعة لإبقاء النظام تحت السيطرة. واكتشفوا أنه لكي تتعلم هذه الشبكة بفعالية، يجب أن تظل الروابط بين الخلايا العصبية في توازن محدد للغاية. فإذا انحرفت الروابط الاستثارية بعيداً جداً عن هذا التوازن، تفشل الشبكة في تعلم الأنماط الحقيقية في البيانات. ووجد الفريق أن قاعدة تعلم معينة، تشبه تلك الملاحظة في أدمغة الحيوانات الحقيقية، تحافظ بشكل طبيعي على بقاء الشبكة في هذه المنطقة المثالية. تسمح هذه القاعدة للشبكة بالتعلم من الصور الثابتة، مثل الحواف والأشكال، وأيضاً من مقاطع الفيديو المتحركة، حيث يمكنها توقع اتجاه الحركة وحتى ملء الأجزاء المفقودة من التسلسل عندما تختفي المدخلات.
بدأ الباحثون باختبار نموذجهم على صور ثابتة بسيطة، مثل القضبان المتقاطعة أو الرقع من الصور الطبيعية. أرادوا معرفة ما إذا كان بإمكان الشبكة تعلم تفكيك هذه الصور المعقدة إلى لبنات بنائها الأساسية، مثل الخطوط أو الحواف، دون إخبارها بما يجب أن تبحث عنه. وقارنوا بين عدة طرق مختلفة يمكن للشبكة من خلالها تعديل روابطها. بعض الطرق، التي اعتمدت على التزامن البسيط بين الخلايا العصبية، تسببت في انحراف الشبكة بعيداً عن التوازن الأمثل، مما أدى إلى تعلم فوضوي وغير دقيق. ومع ذلك، عندما استخدموا قاعدة تعدل الروابط بناءً على مدى توافق النشاط الحالي مع التنبؤ، ظلت الشبكة متوازنة تماماً. هذه القاعدة المحددة، التي يسميها المؤلفون "القاعدة التنبؤية"، ضمنت أن التغذية الراجعة التثبيطية تطابق دائماً ما هو مطلوب لإلغاء الضجيج في المدخلات. ونتيًجة لذلك، تعلمت الشبكة تمثيل الصور باستخدام مجموعة نادرة من الميزات، مما يعني أن عدداً قليلاً فقط من الخلايا العصبية يعمل لوصف الصورة، تماماً كما يعمل القشر البصري لدى الثدييات.
ذهبت الدراسة إلى أبعد من ذلك بإضافة طبقة من الزمن إلى النموذج. فالحياة الواقعية ليست مجرد سلسلة من الصور الثابتة؛ بل هي تدفق مستمر من الأحداث. ولمحاكاة ذلك، أضاف الباحثون آلية حيث يمكن لحالة الشبكة الحالية أن تؤثر على حالتها المستقبلية، مما يخلق شكلاً من أشكال الذاكرة. وعندما دربوا هذه الشبكة المحدثة على فيديوهات لقضبان متحركة، تعلمت اكتشاف ليس فقط شكل الجسم، بل أيضاً اتجاه حركته. ومن المثير للاهتمام أن الشبكة طورت القدرة على إكمال التسلسلات؛ فإذا تم حجب فيديو القضيب المتحرك فجأة، استمرت الشبكة في "رؤية" القضيب يتحرك في نفس الاتجاه، حيث ملأت الفجوة بناءً على ما تعلمته. يشير هذا إلى أن الشبكة قد استوعبت قواعد الحركة ويمكنها تشغيلها للأمام في عقلها الخاص، وهي قدرة حاسمة للتنقل في العالم.
ولجعل النموذج أكثر واقعية، قام الفريق بإزالة الفترات الزمنية الاصطناعية بين خطوات التعلم وجعلوا الشبكة تتعلم من تدفق مستمر من البيانات، تماماً كما يفعل الدماغ الحي. في هذه النسخة المستمرة، طورت الشبكة أنماط نشاط سلسة ومنحنية بدلاً من التحولات الحادة والجامدة. وعندما قام الباحثون بتحفيز هذه الشبكة بضجيج عشوائي بعد انتهائها من التعلم، قامت الشبكة تلقائياً بإعادة تشغيل التسلسلات التي رأتها من قبل. كانت تمر عبر نفس أنماط النشاط، كما لو كانت تتذكر حدثاً ماضياً. شكلت هذه الأنماط بنية تشبه الحلقة في مساحة نشاط الشبكة، وهو شكل يسم يسمح للنظام بتمثيل قيمة واحدة، مثل الاتجاه، بدقة عالية. يحاكي هذا السلوك ما يحدث في حصين (hippocampus) الدماغ، حيث تعيد الحيوانات تشغيل مساراتها أثناء الراحة، مما يشير إلى أن نفس قواعد التعلم المحلية يمكن أن تكون كامنة وراء كل من التنبؤ والذاكرة.
تتحدى هذه النتائج الرؤية السائدة منذ فترة طويلة بأن الدماغ يحتاج إلى "خلايا عصبية للخطأ" خاصة لحساب الفرق بين ما يتوقعه وما يراه. بدلاً من ذلك، تشير الدراسة إلى أن الدماغ قد يستخدم ببساطة عدم التطابق بين تنبؤاته الداخلية والإشارات الواردة لتعديل روابطه مباشرة. وأظهر الباحثون أنه من خلال الحفاظ على علاقة وثيقة ومتسقة بين الأجزاء الاستثارية والتثبيطية للدائرة، يمكن للشبكة إجراء استدلال معقد دون الحاجة إلى إشارة خطأ منفصلة. وهذا يعني أن "اللدونة"، أو القدرة على التغيير، في الروابط الاستثارية هي المفتاح للتنبؤ. توفر الدراسة رابطاً نظرياً قوياً بين القواعد البيولوجية المحلية للتعلم والسلوك الذكي العالمي للتنبؤ، مما يشير إلى أن قدرة الدماغ على توقع المستقبل هي نتيجة طبيعية لكيفية بقاء دوائره في حالة توازن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.