چگونه شبکه های مصنوعی عصبی، به ما کمک میکند شبکه های عصبی را در مغز انسان، بشناسیم؟
پژوهشگران، یک قالب محاسباتی جالب و افسانه ای را مطرح می کنند که از تکنولوژی هوش مصنوعی استفاده میکند تا ارتباط بین حس و حافظه را در مغز انسان، شناسایی کند. علوم اعصاب در مقایسه با علوم فیزیکی، نسبتا جوان است.
در حالی که ما تا حد زیادی می دانیم خصوصیات فیزیکی چگونه از نیروهای اتمی و زیر اتمی منشا می گیرد با این حال اندکی در مورد این- که چگونه رفتار هوشمند، از عملکرد عصبی منشا می گیرد- می دانیم.
هوش مصنوعی از عروسک های بازی تا کمک به انسان در تولیدات تا زیان های آن بر جسم و روح انسان- قسمت هجدهم
سیستم هوش مصنوعی به چالش کشیده میشود تا مسائلی را حل کند که در برابر انسان وجود دارد و رفتارهای هوشمند را به طور مستقیم از داده های آزمایشگاهی تولید کند....استفاده از وسایل ایده آل و افسانه ای هوش مصنوعی برای فرموله کردن دانش ما از عملکرد عصبی!
برای بررسی این چالش، دانشمندان علوم اعصاب معمولا بر موضوعات شهودی مانند حس و حافظه تمرکز می کنند و آنها را قادر می سازد ارتباط بین مغز و رفتار را شناسایی کنند.(حس و ادراک، شناخت ما نسبت به محیط اطراف ما و یا شناخت ما نسبت به خویش است. این حس، در قالب حافظه ی کتاه مدت یا بلندمدت در ذهن میماند و با استفاده از این حافظه، فرد میتواند تصویر سازی کند و اطراف خود را بشناسد. این حس، هرچند به نظر میرسد فقط از دنیای پیرامون ما منشا می گیرد، گاهی از درک محیط اطراف ما فراتر میرود. مثلا رویا در زمانی که چشمان ما بسته است و در اطراف ما صدای چندانی شنیده نمیشود، نمونه ی واضح از درک و احساسی است که از دنیای پیرامون ما منشا نمی گیرد.
هرچند فرضیه های زیادی از طرف روان شناسان و دانشمندان علوم اعصاب مطرح شده است تا رویا را در نتیجه ی احساسات مادی فرد؛ چه در گذشته یا حین خواب، توجیه کند، ولی این فرضیه ها حداقل در تفسیر رویاهایی که آینده را پیشگویی میکند ناتوان هستند. بخش بزرگی از احساسات و ادراک، از دنیای پیرامون ما منشا نمیگیرد و حتی فراتر از ابعاد مرسوم عالم مادی است.
همچنین رمزدار بودن رویاها، به طوری که برای بسیاری از افراد در جوامع مختلف این رمزدار بودن قابل لمس استمثلا مشاهده ی افتادن دندان در عالم رویا معمولا به صورت مرگ یکی از نزدیکان در آینده تعبیر میشوداین رمزدار بودن، نشان میدهد، رویاهایی- که بخش بزرگی از آنها محدود به ابعاد عالم مادی زمان و مکان نیست- به وسیله ی قانون و مدیریتی خاص در حال شکلگیری است. توصیه میشود به سلسله مباحث حس و ادراک و مقاله ئ منبع رویا و خواب کجاست؟ در همین کانال مراجعه شود.)
در این مسیر(کشف ارتباط بین مغز و رفتار)، تلاش هایی شروع شده است تا عملکردهای عصبی را در سکته های وسیع، بررسی کند. برای نمونه در نخستی ها(میمون و شامپانزه) ما می دانیم مسیر پایینی بینایی به نام ventral visual stream(VVS) از حس بینایی حمایت میکند؛ در حالی که قسمت میانی لوب تمپورال رفتارهای مربوط به حافظه را در بینایی پردازش میکند.
ولی استفاده از این موضوعات برای توضیح و دسته بندی فرایند عصبی به این معنی نیست که ما عملکردهای عصبی ای را می شناسیم که از این رفتارها حمایت میکند؛ حداقل نه آنطور که فیزیک دان ها الکترون را میشناسند. توضیح این مطلب و این رویکرد، سبب بحث های بسیار پیچیده در علوم اعصاب شده است:
در کجا حس به پایان می رسد و حافظه شروع می شود؟
آیا آنطور که در زبان، ما برای توضیح استفاده می کنیم مغز تفاوت ها را طراحی می کند؟
با درک اینکه مغز در موارد دچار مشکلات عصب شناختی(یا موارد اختلال در خیال و تصور با وجود مغز سالم) چگونه کار میکند میتوان از افرادی حمایت کرد که شرایط مختل مغزی وابسته به حافظه دارند مانند افرادی که پس از تصادف، دچار استرس شده اند. متاسفانه حتی بعد از قرن ها پژوهش که ارتباط بین این سیستم های حسی و حافظه را بررسی کرده است، بحث وجدل شدید و غیر قابل انکاری وجود دارد و این، تلاش هایی را- که دانش ما را از مغز را زمینه های کاربردی به کار میگیرد- کمرنگ میکند.
دانشمندان علوم اعصاب در هر طرف این بحث و نزاع، بر داده های آزمایشگاهی مشابهی نگاه می کنند ولی آنها را به روش های مختلفی تفسیر می کنند: گروهی از دانشمندان ادعا میکنند مدیال لوب تمپورال در هر دو بخش حس و حافظه درگیر میشود در حالی که گروهی دیگر ادعا می کنند این قسمت مغز، فقط مربوط به مسائل و رفتارهای مربوط به حافظه است.
برای درک بهتر اینکه چگونه بخش مدیال لوب تمپورال ازاین رفتارها حمایت و پشتیبانی میکند تایلر بونن روانشناس در استانفورد با دانیل یامینز پروفسور دستیار روانشناسی و علوم کامپیوتر و عضو موسسه ی هوش مصنوعی انسان مدارHAI و آنتونی واگنر پروفسور روانشناسی و مدیر آزمایشگاه حافظه در استانفورد، همکاری کرده است.
کار جدید آنها که در مجله ی نورون چاپ شده است یک قالب محاسباتی را برای بررسی این چالش با استفاده از پیشرفته ترین وسایل هوش مصنوعی برای درک ارتباط بین حس و حافظه در مغز انسان، پیشنهاد میدهد. بونن می گوید: موضوعات حس و حافظه در روانشناسی سودمند بوده؛ به طوری که به ما اجازه داده است مطالب زیادی در مورد عملکرد عصبی بدانیم این اصطلاحات در نهایت اطلاعات کمی در مورد عملکرد مغز بر این رفتارها میدهد ما میتوانیم این مطلب را در بحث ها و جدل های گذشته بر عملکردهای حسی لوب میانی تمپورال ببینیم.
چون متخصصان تحت فشار بوده اند بر شهود خود برای بررسی چیزی که حس و حافظه خوانده میشود اعتماد کنند، تفسیرهای متفاوتی را در این موضوع ارائه داده اند. این یافته ها و داده ها بر اساس نتایج ما، در حقیقت همراه با یک مدل یگانه بوده است.
راه حل تیم پژوهش استفاده از پیشرفت های جدید در هوش مصنوعی به نام دید کامپیوتری computer vision بوده است. این عرصه از پیشرفته ترین عرصه ها در هوش مصنوعی است.
(دید کامپیوتری، عرصه ای از هوش مصنوعی است که به کامپیوترها و سیستم ها اجازه میدهد داده های معنی داری را از تصاویر و ویدیوهای دیجیتال، و دیگر داده ها به دست بیاورد و بر اساس آن داده ها کارهایی کند و یا توصیه هایی ارائه دهد.
اگر هوش مصنوعی به کامیپیوترها اجازه میدهد فکر کنند، دید کامپیوتری به آنها اجازه میدهد ببینند، مشاهده کنند و بفهمند.
دید کامپیوتری مشابه دید انسان عمل میکند. دید انسان، مزیت یادگیری در طول زندگی را دارد تا بیاموزد، چیزهای جدای از هم را بشناسد و ببیند چقدر آنها از هم فاصله دارند و آیا آنها حرکت میکنند و یا چیز اشتباهی در تصویر هست یا نه.
دید کامپیوتر به ماشین ها یاد میدهد این وظایف را انجام دهند ولی باید دوربین ها، داده ها و آلگوریتم های آن در زمان کمتر در مقایسه با شبکیه، اعصاب بینایی و قشر بینایی کار کند. چون یک سیستم، آموزش داده می شود تا محصولات را در نظر بگیرد یا دارایی و سرمایه های یک محصول را ببیند میتواند هزاران محصول یا فرایند را در یک دقیقه، تحلیل کند و نقص ها یا موضوعات غیر قابل مشاهده را ببیند و به این ترتیب از توانایی های انسان فراتر میرود.
دید کامپیوتری چگونه کار میکند؟
دید کامپیوتر به داده های زیادی نیاز دارد. این دید، تحلیل هایی از داده را که بر هم انباشته شده است تحلیل میکند تا تمایزها را درک کند و نهایتا تصاویر را بشناسد. برای نمونه برای آنکه کامپیوتر آموزش داده شود لاستیک های ماشین را بشناسد، نیاز دارد مقدار زیادی از تصاویر لاستیک و موضوعات مربوط به لاستیک را داشته باشد تا تفاوت ها را بشناسد و لاستیک و به خصوص موردی را- که بدون نقص است- شناسایی کند.
دو تکنولوژی اساسی به کار میرود تا این کار انجام شود
: یک نوع یادگیری ماشین به نام یادگیری عمیق
و یک شبکه ی عصبی پیچشیکانولوشن convolutional neural network (CNN
یادگیری ماشین از مدل های آلگوریتمی استفاده میکند که به کامپیوتر قدرت میدهد خودش را در مورد زمینه ی داده های بینایی آموزش دهد. اگر داده های کافی به مدل داده شود کامپیوتر بر داده ها نگاه خواهد کرد و به خودش آموزش میدهد تا یک تصویر را از دیگری بازشناسی کند. آلگوریتم ها ماشین را توانمند می کند خودش یاد بگیرد؛ به جای آنکه کسی به آن برنامه بدهد تا تصویر را یاد بگیرد.
CNN به یادگیری ماشین یا مدل یادگیری عمیق، کمک میکند با بریدن تصاویر، به پیکسل هایی که تگ یا نشانه به آنها داده میشود بنگرد و از نشانه ها استفاده میکند تا کانوولوشن را انجام دهد(عملیات ریاضی روی دو عملکرد برای تولید عملکرد سوم) و پیشبینی هایی را در مورد چیزی که تصور میکند انجام میدهد. شبکه ی عصبی، کانولوشن ها را اجرا میکند و درستی پیشبینی های آن را در یک سری بازگویی ها چک میکند تا پیشبینی ها، به نظر درست برسد. بنابراین در حال شناسایی تصاویر به روش انسان ها است.)
به طور خاص تر تیم پژوهش از مدل های محاسباتی استفاده کرده است که می تواند پاسخ های عصبی را در سیستم بینایی نخستی ها(میمون و شامپانزه) پیشبینی کند و این از طریق شبکه های عصبی کانولوشن که برای انجام کاری بهینه شده است(CNN)انجام میشود.
بونن میگوید: این مدل ها در مقایسه با هر مدل- که دانشمندان علوم اعصاب به طور عیان برای این منظور ایجاد کرده اند- به شکل بهتری برای پیشگویی پاسخ های عصبی در سیستم بینایی نخستی ها انجام وظیفه می کند. برای پروژه ی ما این قابل استفاده است زیرا ما را توانمند میکند از این مدل ها به عنوان نمونه ای برای سیستم بینایی انسان استفاده کنیم. استفاده ی از این وسایل، به بونن، این امکان را داد تا آزمون های قبلی را- که توسط هر دو طرف مجادله برای رسیدن به مدارک معتبر بر سر نقش لوب مدیال تمپورال در درک انجام میشود- بررسی مجدد کند.
در ابتدا آنها تحریک ها و داده های رفتاری را از 30 آزمون تایید شده ی قبلی، جمع آوری کردند. سپس با استفاده از محرک های دقیقا مشابه آزمون های اولیه- یعنی تصاویر مشابه، اجزای مشابه و ترتیب مشابه عرضه ی آن- را تعیین کردند تا ببینند چگونه مدل، این کارها را به خوبی انجام میدهد. در پایان بونن عملکرد مدل را به طور مستقیم با رفتار شرکت کنندگان آزمایشگاهی مقایسه کرد.
بونن میگوید: نتایج ما شگفت انگیز بود طی انجام آزمایشات، قالب مدلسازی ما قادر بود رفتار افرادی را تعیین کند- که دچار ضایعه در مدیال تمپورال لوب MTL به دلیل تصادف ، شده بودند. با این همه افراد با MTL سالم می توانستند مدل محاسباتی ما را به شکل خیلی خوبی انجام دهند.
بونن می گوید: این نتایج،MTL را به خوبی به شکلی- که برای مدت طولانی به عنوان مرکز رفتار حسی توصیف شده است- نشان میدهد و ده ها سال عدم قطعیت را برطرف میکند. ولی وقتی از بونن سوال میشود آیا MTL در حس نقش دارد یا نه سکوت میکند در حالی که آن توضیح، کاملا با یافته های ما منطبق است برای ما مهم نیست مردم با چه عباراتی باید این توانایی های وابسته به MTL را توضیح دهند. ما بیشتر علاقه مند هستیم از این روش مدل سازی استفاده کنیم تا بدانیم MTL چگونه از چنین رفتارهایی- که گاهی فریبنده و غیر قابل توضیح هستند- پشتیبانی میکند.
بونن تاکید می کند: تفاوت اصلی بین کار ما و آنچه قبل از ما انجام شده بود یک پیشرفت نظری جدید نیست بلکه روش آن است: ما سیستم هوش مصنوعی را به چالش می کشیم تا مسائل مشابهی را حل کند که در برابر انسان وجود دارد و رفتارهای هوشمند را به طور مستقیم از داده های آزمایشگاهی تولید کند.
کار تیم پژوهش یک مطالعه ی موردی بر محدودیت های معاصر در الگوی اپروچ در علوم اعصاب و راه های پیش رو فراهم میکند: استفاده از وسایل ایده آل و افسانه ای هوش مصنوعی برای فرموله کردن دانش ما از عملکرد عصبی!
بونن پیشنهاد میدهد : با نشان دادن قابلیت استفاده از این اپروچ و الگو در موضوع و زمینه ی بحث رام نشدنی علوم اعصاب ما راهی قدرتمند برای اثبات مدارک فراهم کرده ایم این روش های محاسباتی که از نظر بیولوژیک قابل پذیرش است میتواند به ما کمک کند سیستم های عصبی را فراتر از کورتکس های بینایی متعارف بشناسیم.
برای MTL این مطالعات نه فقط پتانسیل درک رفتارهای مربوط به حافظه را دارد بلکه میتواند روش های بسیار خوب برای کمک به افرادی پیدا کند که از آسیب های مربوط به حافظه مانند بیماری استرس پس از تروما و آسیب، رنج میبرند.
بونن توجه میدهد آلگوریتم هایی- که برای درک این رفتارهای دریافتی وابسته به حافظه مورد نیاز است- به اندازه ی مدل های کامپیوتری بینایی- که او در این مطالعه، ردیف کرده است- توسعه یافته نیستند. مدلهای کامپیوتری پیشرفته هنوز وجود ندارند و باید توسعه پیدا کنند به گونه ای که سیستم های بیولوژیک مشابهی را منعکس کند که از این رفتارها حمایت میکند. با این همه هوش مصنوعی وسایل قدرتمندی را پبشنهاد داده است تا مشاهدات ما را از رفتار حیوانات، فرمول بندی کند و تا حد زیادی درک ما را از مغز توسعه دهد
وقتی بخش پایینی مسیر بینایی VVS کافی نیست، آموزش عمیق، نقش لوب تمپورال مدیال را در حس مشخص میکند. (وقتی دسترسی به بافت زنده در تعیین عملکرد بخش خاصی از مغز محدود است، میتوان از آموزش ماشین برای پیشبینی مسیرها و عملکردها استفاده کرد. آموزش ماشین که مبتنی بر عملکرد بخش های قابل دسترس بافت زنده و عملکرد افراد مورد آزمون است میتواند دست به پیشبینی ها و پیشگویی های زیادی در مورد عمکرد بخش ها و یا عملکردهای غیر قابل دسترس بزند. هرچند این پیشگویی ها صد در صد نیست ولی از حدس و گمان ذهن محدود ما بسیار قدرتمندتر و وسیعتر است.)
خلاصه:
MTL از مجموعه ی رفتارهای مربوط به حافظه حمایت میکند. با این همه نقش آن در فرایندهای حسی زیر فشار مجادله های زیاد بوده است. این بحث بر قشر اطراف بینی perirhinal cortex(PRC) یعنی بخشی از ساختار MTL در آپکس جریان بینایی پایینی ventral visual stream(VVS) تمرکز کرده است.
در اینجا ما از قالب یادگیری عمیق استفاده کردیم- که رفتارهای بینایی را- که با VVS حمایت میشود- تخمین می زند. ما در ابتدا این اپروچ را به صورت گذشته نگر به کار بردیم و 30 مقاله ی تایید شده در مورد آزمون های تشخیص بینایی را مورد پژوهش قرار دادیم: با کنار گذاشتن مجموعه ای از تحریک های غیر تشخیصی، یک ارتباط برجسته بین رفتار PRC آسیب دیده و رفتار VVS مدلسازی شده، وجود داشت و هر کدام به وسیله ی شرکت کنندگان دارای PRC سالم، به خوبی انجام میشد.
ما این نتایج را با آزمون های قبلی مقایسه و همراه کردیم و به طور مستقیم رفتار انسانی با PRC سالم را با یافته های الکتروفیزیولوژیک از VVS میمون مقایسه کردیم. شرکت کنندگان با PRC سالم، بازخوانی سطح بالای بینایی را به خوبی انجام می دهند. این مطالعه با تعیین وضعیت ضایعه، نتایج الکتروفیزیولوژیک و رفتاری در قالب محاسباتی، چالش دهه ها یافته های نامطئن و نامشخص در مورد نقش PRC در ادراک و احساس و حافظه را حل میکند. https://neurosciencenews.com/ann-human-brain-19024/?fbclid=IwAR2SpCkvUNUrIWBa7uVX8UWmcIxtnmLdRg2HJAe5Rz0XVbCayWkexVQM_08
آدرس مطب : اصفهان ، خیابان آمادگاه ، روبروی داروخانه سپاهان ، مجتمع اطبا ، طبقه اول
تلفن : 32223328 - 031
