Нейронная сеть (биология)
, Нейронная сеть также называемая нейронной сетью , представляет собой взаимосвязанную популяцию нейронов (обычно содержащую несколько нейронных цепей ). [1] Биологические нейронные сети изучаются, чтобы понять организацию и функционирование нервной системы .
Тесно связаны искусственные нейронные сети , модели машинного обучения, вдохновленные биологическими нейронными сетями. Они состоят из искусственных нейронов , которые представляют собой математические функции , аналогичные механизмам, используемым нейронными цепями .
Обзор
[ редактировать ]Биологическая нейронная сеть состоит из группы химически связанных или функционально связанных нейронов. [2] Один нейрон может быть связан со многими другими нейронами, и общее количество нейронов и связей в сети может быть большим. Соединения, называемые синапсами , обычно образуются от аксонов к дендритам , хотя дендродендритические синапсы [3] возможны и другие подключения. Помимо электрической передачи сигналов, существуют и другие формы передачи сигналов, возникающие в результате диффузии нейромедиаторов .
Искусственный интеллект, когнитивное моделирование и искусственные нейронные сети — это парадигмы обработки информации, вдохновленные тем, как биологические нейронные системы обрабатывают данные. Искусственный интеллект и когнитивное моделирование пытаются имитировать некоторые свойства биологических нейронных сетей. В области искусственного интеллекта искусственные нейронные сети успешно применяются для распознавания речи , анализа изображений и адаптивного управления , с целью создания программных агентов (в компьютерных и видеоиграх ) или автономных роботов .
Теория нейронных сетей помогла лучше понять, как функционируют нейроны мозга, и послужила основой для усилий по созданию искусственного интеллекта.
История
[ редактировать ]Предварительная теоретическая основа современных нейронных сетей была независимо предложена Александром Бэйном. [4] (1873) и Уильям Джеймс [5] (1890). В их работе и мысли, и активность тела являются результатом взаимодействия нейронов внутри мозга.
Для Бэйна, [4] каждое действие приводило к срабатыванию определенного набора нейронов. Когда действия повторялись, связи между этими нейронами укреплялись. По его теории, именно это повторение и привело к формированию памяти. Научное сообщество в то время скептически относилось к идеям Бэйна. [4] теория, потому что она требовала, казалось бы, чрезмерного количества нейронных связей в мозгу. Сейчас очевидно, что мозг чрезвычайно сложен и что одна и та же «проводка» мозга может обрабатывать множество задач и входных данных.
Джеймс' [5] теория была похожа на теорию Бэйна; [4] однако он предположил, что воспоминания и действия возникают в результате электрических токов, протекающих между нейронами мозга. Его модель, фокусирующаяся на потоке электрических токов, не требовала отдельных нейронных связей для каждого воспоминания или действия.
КС Шеррингтон [7] (1898) провели эксперименты для проверки теории Джеймса. Он пропускал электрический ток по спинному мозгу крыс. Однако вместо того, чтобы продемонстрировать увеличение электрического тока, как прогнозировал Джеймс, Шеррингтон обнаружил, что сила электрического тока уменьшалась по мере продолжения испытаний с течением времени. Важно отметить, что эта работа привела к открытию концепции привыкания .
Маккалок и Питтс [8] (1943) также создал вычислительную модель нейронных сетей, основанную на математике и алгоритмах. Они назвали эту модель пороговой логикой. Эти ранние модели проложили путь к разделению исследований нейронных сетей на два разных подхода. Один подход был сосредоточен на биологических процессах в мозге, а другой — на применении нейронных сетей в искусственном интеллекте.
Параллельная распределенная обработка в середине 1980-х стала популярной под названием «коннекционизм» . Текст Румельхарта и Макклелланда [9] (1986) представили полное описание использования коннекционизма в компьютерах для моделирования нейронных процессов.
Искусственные нейронные сети, используемые в искусственном интеллекте, традиционно рассматривались как упрощенные модели нейронной обработки в мозге, хотя связь между этой моделью и биологической архитектурой мозга обсуждается, поскольку неясно, в какой степени искусственные нейронные сети отражают функция мозга. [10]
Нейронаука
[ редактировать ]Теоретическая и вычислительная нейробиология — это область, занимающаяся анализом и компьютерным моделированием биологических нейронных систем.Поскольку нейронные системы тесно связаны с когнитивными процессами и поведением, эта область тесно связана с когнитивным и поведенческим моделированием.
Целью этой области является создание моделей биологических нейронных систем, чтобы понять, как работают биологические системы. Чтобы достичь этого понимания, нейробиологи стремятся установить связь между наблюдаемыми биологическими процессами (данными), биологически вероятными механизмами нейронной обработки и обучения (модели нейронных сетей) и теорией (статистическая теория обучения и теория информации ).
Типы моделей
[ редактировать ]Используются многие модели; определены на разных уровнях абстракции и моделируют различные аспекты нейронных систем. Они варьируются от моделей кратковременного поведения отдельных нейронов через модели динамики нейронных цепей, возникающих в результате взаимодействия между отдельными нейронами, до моделей поведения, возникающих из абстрактных нейронных модулей, которые представляют собой целые подсистемы. К ним относятся модели долгосрочной и краткосрочной пластичности нейронных систем и их связи с обучением и памятью, от отдельного нейрона до системного уровня.
Возможности подключения
[ редактировать ]В августе 2020 года ученые сообщили, что двунаправленные связи или добавление соответствующих связей обратной связи могут ускорить и улучшить связь между модульными нейронными сетями коры головного мозга и снизить порог их успешного общения. Они показали, что добавление связей обратной связи между резонансной парой может способствовать успешному распространению одного импульсного пакета по всей сети. [11] [12] Связность нейронной сети проистекает из ее биологической структуры, и ее обычно сложно определить экспериментально. Ученые использовали различные статистические инструменты, чтобы сделать вывод о связности сети на основе наблюдаемой активности нейронов, то есть последовательностей импульсов. Недавние исследования показали, что статистически выведенные нейронные связи в нейронных сетях с подвыборкой сильно коррелируют с ковариациями последовательностей спайков, что обеспечивает более глубокое понимание структуры нейронных цепей и их вычислительных свойств. [13]
Недавние улучшения
[ редактировать ]Хотя первоначально исследования были связаны в основном с электрическими характеристиками нейронов, особенно важной частью исследований в последние годы было изучение роли нейромодуляторов, таких как дофамин , ацетилхолин и серотонин , на поведение и обучение. [ нужна ссылка ]
Биофизические модели, такие как теория BCM , сыграли важную роль в понимании механизмов синаптической пластичности и нашли применение как в информатике, так и в нейробиологии. [ нужна ссылка ]
См. также
[ редактировать ]- Теория адаптивного резонанса
- Биологическая кибернетика
- Когнитивная архитектура
- Когнитивная наука
- Коннектомика
- Культивированные нейронные сети
- Параллельные процессы удовлетворения ограничений
Ссылки
[ редактировать ]- ^ Хопфилд, Джей-Джей (1982). «Нейронные сети и физические системы с возникающими коллективными вычислительными способностями» . Учеб. Натл. акад. наук. США . 79 (8): 2554–2558. Бибкод : 1982PNAS...79.2554H . дои : 10.1073/pnas.79.8.2554 . ПМЦ 346238 . ПМИД 6953413 .
- ^ Стерратт, Д., Грэм, Б., Гиллис, А., и Уиллшоу, Д., глава 9 (2011). Принципы вычислительного моделирования в нейронауке, глава 9. Кембридж, Великобритания: Издательство Кембриджского университета.
- ^ Арбиб, стр.666
- ^ Jump up to: а б с д Бейн (1873 г.). Разум и тело: теории их связи . Нью-Йорк: Д. Эпплтон и компания.
- ^ Jump up to: а б Джеймс (1890). Принципы психологии . Нью-Йорк: Х. Холт и компания.
- ^ Кунц, Герман (2010). «Изображение проблемы вычислительной биологии PLoS | Том 6 (8), август 2010 г.» . PLOS Вычислительная биология . 6 (8): ev06.i08. doi : 10.1371/image.pcbi.v06.i08 .
- ^ Шеррингтон, CS (1898). «Опыты по изучению периферического распределения волокон задних корешков некоторых спинномозговых нервов» . Труды Лондонского королевского общества . 190 : 45–186. дои : 10.1098/rstb.1898.0002 .
- ^ Маккалок, Уоррен; Уолтер Питтс (1943). «Логическое исчисление идей, имманентных нервной деятельности». Вестник математической биофизики . 5 (4): 115–133. дои : 10.1007/BF02478259 .
- ^ Румельхарт, Делавэр; Джеймс Макклелланд (1986). Параллельная распределенная обработка: исследования микроструктуры познания . Кембридж: MIT Press.
- ^ Рассел, Ингрид. «Модуль нейронных сетей» . Архивировано из оригинала 29 мая 2014 года.
- ^ «Нейробиологи демонстрируют, как улучшить связь между различными областями мозга» . www.medicalxpress.com . Проверено 6 сентября 2020 г.
- ^ Резаи, Хедье; Артсен, Ад; Кумар, Арвинд; Вализаде, Алиреза (10 августа 2020 г.). «Содействие распространению пиковой активности в сетях прямой связи путем включения обратной связи» . PLOS Вычислительная биология . 16 (8): e1008033. Бибкод : 2020PLSCB..16E8033R . дои : 10.1371/journal.pcbi.1008033 . ISSN 1553-7358 . ПМЦ 7444537 . ПМИД 32776924 . S2CID 221100528 .
Текст и изображения доступны по международной лицензии Creative Commons Attribution 4.0 . - ^ Лян, Тонг; Бринкман, Брейден AW (5 апреля 2024 г.). «Статистически выведенные нейронные связи в нейронных сетях с субвыборкой сильно коррелируют с ковариациями последовательностей спайков» . Физический обзор E . 109 (4): 044404. doi : 10.1103/PhysRevE.109.044404 .
