یادگیری ماشین در هماهنگی با علوم اعصاب

در این جا می بینیم چگونه علوم اعصاب و هوش مصنوعی به تقویت یکدیگر کمک می‌کنند.

چهارشنبه، 15 ارديبهشت 1400

تخمین زمان مطالعه:

مترجم : شیما قائم مقامی

تصویر: این تصویر ارتباط بین سلول‌های عصبی را نشان می‌دهد که با استفاده از فلورسنت رنگ آمیزی شده اند.

بر خلاف نام آن، تکنولوژی هوش مصنوعی و اجزای آن‌، مانند شبکه‌های عصبی مصنوعی ارتباط زیادی با علم مغز و اعصاب ندارد. در این جا به بررسی نحوه‌ی کارکرد مغز به عنوان یک سیستم و استفاده از علم اعصاب برای طراحی و مهندسی مدل‌های جدید یاد گیری می‌پردازیم.

در دهه‌های اخیر، با مطالعات صورت گرفته، محققان مغز و اعصاب اطلاعات زیادی درباره‌ی اتصالات فیزیکی در مغز و چگونگی هدایت و پردازش اطلاعات در سیستم عصبی به دست آورده‌اند. اما هنوز ناشناخته‌های بسیاری در این زمینه وجود دارد که نیاز به تحقیق و بررسی دارد.
محققان در حال ایجاد نوعی یادگیری ماشین هستند که از نظر ساختاری کاملاً جدید است و می‌تواند بدون آموزش پیشرفته، در حین اجرا و فوری بیاموزد.هم زمان، الگوریتم‌های کامپیوتری، پیشرفت‌های نرم افزاری و سخت افزاری باعث پیشرفت چشمگیر علم یاد گیری ماشین شده‌اند که قبلاً تصور نمی‌شد تا این حد پیشرفت کند. درعلم یاد گیری ماشین، ماشین‌هایی طراحی می‌کنند که با استفاده از مثال‌های ارائه شده به آن‌ها و تجربیات خود، می‌آموزند. محققان مهندسی زیستی و علوم اعصاب معتقدند هر چه بیشتر درباره‌ی فرآیند پردازش داده‌ها در مغز اطلاعات به دست بیاورند، برنامه نویسان قادر خواهند بود تا مفاهیم تفکر را از دنیای زیست شناسی به دنیای دیجیتال آورده و به اشکال کاملاً جدید در علم یاد گیری ماشین تبدیل کنند.

مغز یک ماشین نیست

یادگیری ماشین بخشی از تکنولوژی است که اغلب با نام هوش مصنوعی شناخته می‌شود. سیستم‌های یاد گیری ماشین بهتر از انسان می‌توانند الگوهای پیچیده و ظریف را در میان مجموعه‌ی بزرگی از داده‌ها و اطلاعات، پیدا کنند.

امروزه این سیستم‌های جدید کاربردهای زیادی دارند و در همه جا به چشم می‌خورند، برای مثال در اتومبیل‌های خود ران، نرم افزار تشخیص چهره، نرم افزارهای تشخیص تقلب مالی، روباتیک، کمک به تشخیص‌های پزشکی و سایر موارد مشابه از این سیستم‌ها استفاده می‌کنند. اما همه‌ی آن‌ها در واقع از یک الگوریتم آماری منشأ می‌گیرند و مدل‌های مختلفِ آن هستند.

تصویر: نمودار یک شبکه‌ی عصبی ساده
می‌توان از علوم اعصاب برای هوش مصنوعی نکته‌های جدیدی آموخت و همچنین برعکس می توانیم از هوش مصنوعی برای علوم اعصاب نکاتی بیاموزیم.شبکه‌های عصبی مصنوعی، رایج‌ترین رویکرد اصلی در یاد گیری ماشین هستند و شبکه‌های به هم پیوسته‌ای از پردازنده‌های دیجیتال هستند که ورودی‌ها را می‌پذیرند و اندازه‌گیری‌های ورودی‌ها را پردازش و خروجی تولید می‌کنند. این شبکه‌ها باید یاد بگیرند که چه نوع خروجی‌هایی باید از ورودی‌های مختلف به دست بیاید، و باید به قدری پیشرفت کنند که بتوانند به الگوهای مشابه به روش‌های مشابه پاسخ دهند.

اگر می‌خواهید یک سیستم یاد گیری ماشین هنگام نمایش عکس گاو، عبارت "این یک گاو است" را نشان دهد، ابتدا باید عکس‌های زیادی از انواع مختلف گاو از زوایای مختلف به آن نشان بدهید، با توجه به این اطلاعات این سیستم می‌تواند اتصالات داخلی خود را به گونه‌ای تنظیم کند که به هر یک از این عکس‌ها پاسخ "این یک گاو است" بدهد. اگر به این سیستم عکس گربه نشان بدهید، تنها تشخیص می‌دهد که این تصویر گاو نیست اما نمی‌تواند پاسخ دهد که در واقع چیست.

اما نحوه‌ی یاد گیری مغز و مدیریت اطلاعات برای درک جهان به این صورت نیست. در واقع، مغز داده‌های ورودی کمی مانند یک عکس و نقاشی از گاو را دریافت می‌کند، سپس خیلی سریع و تنها پس از مثال‌های معدود، حتی یک کودک نو پا یاد می‌گیرد که گاو چگونه است و قادر است در تصاویر جدید، از زوایای مختلف و در رنگ‌های متفاوت گاو را تشخیص دهد.

اما ماشین نیز مانند مغز عمل نمی‌کند

از آن جا که سیستم‌های یاد گیری مغز و ماشین از الگوریتم‌های کاملاً متفاوتی استفاده می‌کنند، هر یک از این‌ها برتری‌های خاصی نسبت به دیگری دارند. برای مثال، مغز می‌تواند اطلاعات را به صورت کار آمد پردازش کند، حتی اگر اختلال و عدم اطمینان در داده‌های ورودی وجود داشته باشد، یا در شرایط غیر قابل پیش بینی قرار بگیرد.
بیماران مبتلا به بیماری‌های شدید، مانند آن است که نیمی از مغز آن‌ها برداشته شده باشد، و با وجود این بیماری‌های شدید همچنان می‌توانند با نیمه‌ی سالم مغز خود عملکرد شناختی و جسمی طبیعی داشته باشند.شما می‌توانید به عکس ناواضح و بی کیفیتی که روی کاغذ پاره و مچاله شده چاپ شده است، نگاه کنید و نوعی گاو را که قبلاً ندیده‌اید، تجسم کنید و فکر کنید که این یک گاو است. به طرز مشابهی، وقتی شما در موقعیتی قرار می‌گیرید با استفاده از اطلاعات جزئی در مورد آن و بر اساس آن چه می‌دانید، پیش بینی و تصمیم گیری می‌کنید با وجود آن که شما همه‌ی اطلاعات را ندارید.

تصویر: دانشمندان علوم مغز و اعصاب همچنان در حال یاد گیری نحوه‌ی عملکرد سلول‌های عصبی در مغز و مجموعه‌های کوچک سلول‌ها هستند.

به همان اندازه، توانایی مغز برای بهبودی از مشکلات و بیماری‌های جسمی و پیکر بندی مجدد اتصالات خود برای سازگاری با شرایط پس از آسیب یا سکته‌ی مغزی حائز اهمیت است. مغز دارای عملکرد حیرت آوری است به صورتی که بیماران مبتلا به بیماری‌های شدید، مانند آن است که نیمی از مغز آن‌ها برداشته شده باشد، و با وجود این بیماری‌های شدید همچنان می‌توانند با نیمه‌ی سالم مغز خود عملکرد شناختی و جسمی طبیعی داشته باشند. حالا تصور کنید کامپیوتر با نصف مدارهای برداشته شده‌ی خود، چقدر کار می‌کند.
یادگیری ماشین بخشی از تکنولوژی است که اغلب با نام هوش مصنوعی شناخته می‌شود.همچنین قابلیت مغز برای استنباط، کشف و برون یابی، خلاقیت و تخیل حیرت آور است. یک گاو را تصور کنید که در حال چرخاندن برگرها در سیاره‌ی مشتری است و هم زمان مسائل گرانش کوانتومی را در ذهن خود حل می‌کند. هیچ کدام از ما تجربه‌ی چنین چیزی را نداشته‌ایم، اما می‌توانیم با مغز خود آن را تصور کنیم و این قدرت خلاقیت و تخیل مغز انسان است.

با کمال تعجب باید گفت که مغز همه‌ی این کارها را با همان قدرتی که برای راه اندازی لامپ کم نور لازم است، انجام می‌دهد.

تلفیق علوم اعصاب و یاد گیری ماشین

با این که نحوه‌ی عملکرد مغز تا حدودی کشف شده است، اما هنوز کاملاً مشخص نیست کدام یک از فرآیندهای ذهنی می‌تواند به خوبیِ الگوریتم‌های یاد گیری ماشین عمل کند و یا این که چگونه می‌توانیم یک فرآیند ذهنی را به الگوریتم یاد گیری ماشین تبدیل کنیم. یکی از راه‌های در نظر گرفتن تمام احتمالات، تمرکز بر ایده‌هایی است که هم زمان به تحقیقات در دو حوزه‌ی کشف جنبه‌های جدید علوم اعصاب و پیشرفت یاد گیری ماشین کمک می‌کنند. تحقیقات در زمینه‌ی هوش مصنوعی سؤالات جدیدی برای دانشمندان علوم اعصاب زیستی به وجود آورده است و می‌توان از علوم اعصاب برای هوش مصنوعی نکته‌های جدیدی آموخت و همچنین برعکس می توانیم از هوش مصنوعی برای علوم اعصاب نکاتی بیاموزیم.

تصویر: نورون‌ها یا سلول‌های عصبی می‌توانند در اشکال بسیار پیچیده‌‌ای رشد کنند.
درعلم یاد گیری ماشین، ماشین‌هایی طراحی می‌کنند که با استفاده از مثال‌های ارائه شده به آن‌ها و تجربیات خود، می‌آموزند.برای مثال، محققان در آزمایشگاه در حال کار درباره‌ی تبدیل سلول‌های عصبی مجزا به شبکه‌ای از نورون‌ها هستند. هرسلول عصبی تنها با سلول‌های عصبی خاص دیگری که به آن متصل است، اطلاعات را تبادل می‌کند. تصور کلی از این که سایر سلول‌های عصبی چه کاری انجام می‌دهند و چه سیگنال‌ها و پیام‌هایی ارسال یا دریافت می‌کنند، وجود ندارد. مهم نیست شبکه چقدر گسترده باشد، فعل و انفعالات سلول‌های عصبی در هر نقطه بر فعالیت کل شبکه تأثیر می‌گذارد و این برای هر کدام ازسلول‌ها صدق می‌کند.

به نظر می‌رسد معادلات ریاضی که این لایه‌های ارتباطی را نشان ‌می‌دهند، به همان اندازه در شبکه‌های عصبی مصنوعی و شبکه‌ی عصبی بیولوژیکی در مغز انسان قابل استفاده ‌هستند. در نتیجه، محققان در حال ایجاد نوعی یادگیری ماشین هستند که از نظر ساختاری کاملاً جدید است و می‌تواند بدون آموزش پیشرفته، در حین اجرا و فوری بیاموزد که این مدل ظاهراً بسیار سازگار و کارآمد است.

علاوه بر این، محققان از این ایده‌ها و معادلات ریاضی برای کشف علت پیچ خوردگی و پیچیده بودن اشکال سلول‌های عصبی بیولوژیکی استفاده کرده‌اند. آن‌ها متوجه شده‌اند که احتمالاً محاسباتی که برای ساخت سیستم یاد گیری مصنوعی به کار گرفته می‌شوند، همان محاسباتی است که سلول‌های عصبی از آن‌ برای به حداکثر رساندن کارایی و کیفیت عملکرد خود در ارسال پیام‌ها استفاده می‌کنند. آن‌ها به طور اتفاقی به این کشف پی نبردند، بلکه طبق اصول ریاضی آن‌ها به دنبال چنین ارتباطی بودند و به آن رسیدند.

با اتخاذ یک رویکرد مشابه، می‌توانیم علت ابتلای مغز به بیماری‌های عصبی و مشکلات مربوط به رشد عصبی را متوجه شویم. با تمرکز بر اصول و معادلات ریاضی که هوش مصنوعی و علوم اعصاب هر دو از آن بهره می‌برند، می‌توانیم به پیشرفت تحقیقات در هر دو زمینه و به سطح بالاتری از توانمندی رایانه‌ها و درک عملکرد مغز دست یابیم.

منبع: گابریل اِی سیلوا، University of California San Diego