هنگام مقایسه شبکه های عصبی با مغز احتیاط کنید.

شبکه‌های عصبی، نوعی سیستم محاسباتی هستند که به طور ضعیفی بر اساس سازمان‌دهی مغز انسان مدل‌سازی شده‌اند، که این سیستم‌های هوش مصنوعی برای کاربردهایی مانند تشخیص گفتار، بینایی رایانه ای و آنالیز تصاویر پزشکی تشکیل شده اند. در علوم اعصاب، محققان از شبکه ‌های عصبی استفاده می‌کنند تا همان وظایفی را که مغز انجام می‌دهد مدل‌سازی کنند، به این امید که مدل‌ها بتوانند فرضیه‌های جدیدی را در رابطه با نحوه انجام آن وظایف توسط مغز ارائه دهند. با این حال، گروهی از محققانMIT  تاکید دارند که در تفسیر این مدل ها باید احتیاط بیشتری داشته باشیم. در آنالیز بیش از 11000  شبکه عصبی که برای شبیه ‌سازی عملکرد سلول ‌های شبکه (اجزای کلیدی سیستم هدایت مغز) آموزش دیده بودند، دریافتند که شبکه ‌های عصبی تنها زمانی فعالیت سلول ‌های شبکه ‌ای تولید می‌کنند که محدودیت ‌های بسیار خاصی به آنها داده شودکه در سیستم های بیولوژیکی یافت نمی شوند.

رایلان شفر، یکی از همکاران ارشد سابقMIT ، می‌گوید: این نشان می دهد که برای دریافت نتیجه با سلول ‌های شبکه، محققان مدل ‌های مورد نیاز را با انتخاب‌ پیاده ‌سازی خاص و غیرمحتمل از نظر بیولوژیکی آموزش می ‌دهند. بدون این محدودیت‌ها، تیمMIT  دریافت که تعداد بسیار کمی از شبکه ‌های عصبی فعالیت ‌های شبکه ‌ای سلول ‌مانند را ایجاد می‌کنند،‌که نشان می ‌دهد این مدل ‌ها لزوماً پیش‌بینی ‌های مفیدی درباره نحوه عملکرد مغز ایجاد نمی‌کنند.

شفر، که اکنون دانشجوی کارشناسی ارشد علوم کامپیوتر در دانشگاه استنفورد است، نویسنده اصلی این مطالعه است که در کنفرانس 2022  سیستم ‌های پردازش اطلاعات عصبی این نتایج را ارائه خواهد کرد. ایلا فیته، استاد مغز و علوم شناختی و یکی از اعضای موسسه تحقیقات مغز مک گاورنMIT  نویسنده ارشد این مقاله است. میکائیل خونا، دانشجوی کارشناسی ارشد MIT  در رشته فیزیک نیز نویسنده این مقاله است.

مدل سازی سلول های شبکه

شبکه های عصبی، که محققان برای چندین دهه از آن برای انجام انواع تکالیف محاسباتی استفاده می کنند، از هزاران یا میلیون ها واحد پردازشی متصل به یکدیگر تشکیل شده اند. هر گره دارای اتصالاتی با نقاط قوت متفاوت با گره های دیگر در شبکه است. همانطور که شبکه مقادیر بزرگی از داده ها را آنالیز می کند، نقاط قوت آن اتصالات تغییر می کند زیرا شبکه انجام تکلیف مورد نظر را یاد می گیرد.

در این مطالعه، محققان بر روی شبکه ‌های عصبی که برای تقلید از عملکرد سلول‌های شبکه ‌ای مغز که در قشر انتورینال(داخلی)، مغز پستانداران یافت می‌شوند، توسعه یافتند، تمرکز کردند. همراه با سلول ‌های مکانی که در هیپوکامپ یافت می‌شوند، سلول ‌های شبکه ‌ای مدار مغزی را تشکیل می ‌دهند که به حیوانات کمک می ‌کند بدانند کجا هستند و چگونه به مکان دیگری حرکت کنند.
نشان داده شده که سلول‌ های مکانی هر زمان که حیوان در مکان خاصی باشد شلیک می‌ شوند و هر سلول مکانی ممکن است به بیش از یک مکان پاسخ دهد. از طرف دیگر سلول های شبکه ای بسیار متفاوت عمل می کنند. هنگامی که حیوان در فضایی مانند اتاق حرکت می کند، سلول های شبکه تنها زمانی شلیک می کنند که حیوان در یکی از رئوس یک شبکه مثلثی باشد. گروه های مختلف سلول های شبکه، شبکه هایی با ابعاد کمی متفاوت ایجاد می کنند که روی یکدیگر همپوشانی دارند. این به سلول های شبکه اجازه می دهد تا با استفاده از تعداد نسبتا کمی سلول، تعداد زیادی موقعیت منحصر به فرد را رمزگذاری کنند.
این نوع رمزگذاری مکان، همچنین امکان پیش بینی مکان بعدی حیوان را بر اساس نقطه شروع و سرعت مشخص تعیین می کنند. در چندین مطالعه اخیر، محققان شبکه های عصبی را برای انجام همین کار، که به عنوان یکپارچه سازی مسیر شناخته می شود، آموزش داده اند.

برای آموزش شبکه های عصبی برای انجام این کار، محققان نقطه شروع و سرعتی را که در طول زمان تغییر می کند به آن وارد می کنند. این مدل اساساً فعالیت حیوان در حال گشتن در فضا را تقلید می کند و موقعیت های به روز شده را هنگام حرکت محاسبه می کند. همانطور که مدل کار را انجام می دهد، الگوهای فعالیت واحدهای مختلف در شبکه قابل اندازه گیری است. فعالیت هر واحد را می توان به عنوان الگوی شلیک، شبیه به الگوهای شلیک سلول های عصبی در مغز نشان داد.

در چندین مطالعه قبلی، محققان گزارش کردند که مدل ‌های آن ‌ها واحدهایی با الگوهای فعالیت تولید می‌کنند که الگوهای شلیک سلول ‌های شبکه ‌ای را از نزدیک تقلید می ‌کنند. این مطالعات به این نتیجه رسیدند که نمایش های شبکه مانند سلول به طور طبیعی در هر شبکه عصبی آموزش دیده برای انجام تکلیف یکپارچه سازی مسیر ظاهر می شوند.

با این حال، محققانMIT به نتایج بسیار متفاوتی دست یافتند. در آنالیز بیش از 11000 شبکه عصبی که آنها در مورد یکپارچه سازی مسیر آموزش داده بودند، دریافتند که در حالی که تقریبا 90 درصد از آنها این کار را با موفقیت یاد گرفته اند، تنها حدود 10 درصد از آن شبکه ها الگوهای فعالیتی را تولید می کنند که می تواند به عنوان سلول-شبکه طبقه بندی شود. این مورد شامل شبکه‌ هایی می‌ شود که در آن ‌ها حتی تنها یک واحد امتیاز شبکه بالایی را به دست آورده است.

به گفته تیمMIT، مطالعات قبلی به احتمال زیاد تنها به دلیل محدودیت ‌هایی است که محققان در آن مدل‌ ها ایجاد می‌ کنند، که فعالیت‌ هایی شبیه سلول شبکه ایجاد می‌کردند.

شفر می گوید: «مطالعات قبلی این موضوع را ارائه کرده ‌اند که اگر شبکه ‌ها را برای یکپارچه‌سازی مسیر آموزش دهید، سلول‌ های شبکه را دریافت خواهید کرد. چیزی که ما دریافتیم این است که در عوض، شما باید این توالی طولانی از انتخاب پارامترها را انجام دهید، که می دانیم با زیست شناسی ناسازگار هستند، و سپس در بخش کوچکی از این پارامترها، نتیجه دلخواه را خواهید گرفت.»

شبکه های عصبی می توانند منبع مفیدی برای پیش بینی ها باشند. اگر می‌خواهید یاد بگیرید که چگونه مغز محاسبات را انجام می دهد، می ‌توانید شبکه ‌ای را برای انجام آن آموزش دهید، سپس این فرضیه را آزمایش کنید که مغز به همان روش کار می‌کند. هریس که در این مطالعه شرکت نداشت، می‌گوید چه این فرضیه تأیید شود یا نه، چیزی یاد خواهید گرفت. این مقاله نشان می ‌دهد که «پیش ‌بینی» قدرت کمتری دارد. شبکه ‌های عصبی پارامترهای زیادی دارند، بنابراین واداشتن آنها به تکرار یک نتیجه موجود چندان تعجب‌آور نیست.

برای مشاهده منبع کلیک کنید.