آیا می توانیم کاری کنیم که کامپیوتر مانند مغز عمل کند؟

این سوالی است که ریاضی دانان، نظریه پردازان و محققان مدت هاست از آن می پرسند. آنها نمی دانند که آیا می توان هوش مصنوعی (AI) ایجاد کرد یا سیستم پیچیده مغز را از طریق ریاضیات یا شبیه سازی های کامپیوتری درک کرد. از دهه ۱۹۴۰، دانشمندان بر روی مدل های ساده شده شبکه های عصبی مغز کار می کنند. در واقع، رونق امروز در یادگیری ماشین را می توان به کارهای اولیه الهام گرفته از سیستم های بیولوژیکی ردیابی کرد.

اکنون، محققان در حال بررسی یک سوال کمی متفاوت هستند: آیا می توان از یادگیری ماشینی برای ایجاد مدل های کامپیوتری که فعالیت مغز را تقلید می کنند استفاده کرد؟

این اکتشاف با حجم فزاینده ای از داده ها در مغز تقویت می شود. از دهه ۱۹۷۰، و به شدت از اواسط دهه ۲۰۰۰، دانشمندان علوم اعصاب کانکتوم هایی را ایجاد کردند – نقشه هایی که اتصالات و اشکال نورون ها را نشان می دهد و تصویری از مغز را در یک لحظه خاص می گیرد. پیشرفت‌ها در ضبط‌های عملکردی، اندازه‌گیری فعالیت عصبی در طول زمان در سطح یک سلول، و ترانس کریپتومیکس، اندازه‌گیری فعالیت ژن در نمونه‌های بافت نیز نقش داشته‌اند.

تاکنون، تلاش‌های کمی برای اتصال این منابع داده مختلف یا جمع‌آوری همزمان آن‌ها از کل مغز صورت گرفته است. با این حال، با افزایش سطح جزئیات، اندازه و تعداد مجموعه داده‌ها، به ویژه برای مغز موجودات مدل ساده‌تر، سیستم‌های یادگیری ماشینی رویکرد جدیدی را برای مدل‌سازی مغز ممکن می‌سازند. این شامل آموزش برنامه های هوش مصنوعی بر روی اتصالات و سایر داده ها برای تکرار فعالیت عصبی مورد انتظار در سیستم های بیولوژیکی است.

چالش‌هایی وجود دارد که دانشمندان علوم اعصاب محاسباتی و دیگران برای استفاده از یادگیری ماشینی برای شبیه‌سازی کل مغزها باید به آنها رسیدگی کنند. با این حال، یک رویکرد ترکیبی، ترکیب اطلاعات از تکنیک‌های مدل‌سازی مغز سنتی با سیستم‌های یادگیری ماشینی آموزش‌دیده بر روی مجموعه‌های داده‌های متنوع، می‌تواند کل تلاش را کامل‌تر و آموزنده‌تر کند.

نقشه برداری مغز

تلاش برای ترسیم نقشه مغز تقریباً پنجاه سال پیش با تلاشی دقیق ۱۵ ساله در کرم گرد Caenorhabditis elegans آغاز شد. در دو دهه گذشته، پیشرفت‌ها در برش‌دهی و تصویربرداری خودکار بافت، دستیابی به داده‌های آناتومیکی را برای محققان آسان‌تر کرده است. اتصالات برای کل مغز C. elegans، مگس لاروی و بالغ مگس مگس سرکه ملانوگاستر، و بخش های کوچکی از مغز موش و انسان (به ترتیب یک هزارم و یک میلیونیم) ایجاد شده است.

این بزرگترین نقشه مغز انسان است که تاکنون ساخته شده است.

با این حال، نقشه های تشریحی فعلی دارای شکاف های قابل توجهی هستند. روش های تصویربرداری هنوز نمی توانند اتصالات الکتریکی را در مقیاس در کنار اتصالات سیناپسی شیمیایی ترسیم کنند. محققان عمدتاً بر روی نورون‌ها تمرکز کرده‌اند، حتی اگر سلول‌های گلیال غیر عصبی که از نورون‌ها پشتیبانی می‌کنند، برای جریان اطلاعات در سیستم‌های عصبی حیاتی به نظر می‌رسند. هنوز اطلاعات زیادی در مورد اینکه چه ژن‌هایی بیان می‌شوند و چه پروتئین‌هایی در نورون‌ها و سایر سلول‌های در حال نقشه‌برداری وجود دارد، وجود دارد.

با این وجود، این نقشه ها در حال حاضر بینش هایی را ارائه می دهند. به عنوان مثال، در D. melanogaster، کانکتومیکس به محققان کمک کرده است مکانیسم های پشت مدارهای عصبی مسئول رفتارهایی مانند پرخاشگری را شناسایی کنند. نقشه‌برداری مغز همچنین نشان داده است که چگونه اطلاعات در مدارهایی که مگس‌ها از موقعیت مکانی و مسیریابی خود مطلع هستند پردازش می‌شوند. در لاروهای گورخرماهی، کانکتومیکس عملکرد مدار سیناپسی درگیر در طبقه بندی بوها، کنترل موقعیت و حرکت کره چشم و جهت یابی را کشف کرده است.

تلاش‌ها برای ایجاد یک اتصال برای کل مغز ماوس در حال انجام است، اگرچه با استفاده از رویکردهای فعلی، احتمالاً یک دهه یا بیشتر طول می‌کشد. مغز موش تقریبا ۱۰۰۰ برابر بزرگتر از مغز D. melanogaster است که حدود ۱۵۰۰۰۰ نورون دارد.

علاوه بر پیشرفت در کانکتومیک، محققان در حال مطالعه الگوهای بیان ژن با افزایش دقت و ویژگی با استفاده از رونویسی تک سلولی و فضایی هستند. فن آوری های مختلف همچنین به محققان اجازه می دهد تا فعالیت های عصبی را در سراسر مغز در مهره داران برای مدت طولانی ثبت کنند. به عنوان مثال، ثبت نزدیک به ۱۰۰۰۰۰ نورون در مغز لارو گورخرماهی. این فناوری‌ها شامل پروتئین‌هایی با ویژگی‌های فلورسنت است که در پاسخ به تغییرات ولتاژ یا سطوح کلسیم تغییر می‌کنند و تکنیک‌های میکروسکوپی که می‌توانند مغزهای زنده را به صورت سه بعدی با وضوح یک سلول منفرد تصویر کنند. در حالی که ضبط‌هایی که به این روش انجام می‌شوند، تصویر دقیق‌تری نسبت به ضبط‌های الکتروفیزیولوژی ارائه می‌دهند، اما نسبت به روش‌های غیرتهاجمی مانند تصویربرداری رزونانس مغناطیسی عملکردی، تصویری بسیار بهتر ارائه می‌دهند.

ریاضی و فیزیک

هنگام مدل‌سازی الگوهای فعالیت مغز، دانشمندان عمدتاً از رویکرد مبتنی بر فیزیک استفاده می‌کنند. این شامل ایجاد شبیه سازی سیستم های عصبی یا بخش هایی از آنها با استفاده از توصیفات ریاضی از رفتار نورون های واقعی یا بخش هایی از سیستم های عصبی واقعی است. همچنین شامل حدس‌های آموزشی در مورد جنبه‌هایی از مدار، مانند اتصال به شبکه است که هنوز توسط مشاهدات تأیید نشده است.

در برخی موارد، حدسیات گسترده بوده است (به «مدل های اسرارآمیز» مراجعه کنید). اما در برخی دیگر، نقشه های تشریحی با وضوح تک سلولی و سیناپس های منفرد به محققان کمک کرده است تا فرضیه هایی را به چالش بکشند و ایجاد کنند.

مدل های مرموز

ارزیابی اینکه آیا برخی از مدل‌های شبکه عصبی به طور دقیق سیستم‌های واقعی را نشان می‌دهند به دلیل کمبود داده چالش برانگیز است.

پروژه مغز انسان اروپایی، که در ماه سپتامبر به پایان رسید، در ابتدا با هدف شبیه سازی کل مغز انسان به صورت محاسباتی انجام شد. در حالی که این هدف کنار گذاشته شد، این پروژه شبیه سازی بخش هایی از مغز جوندگان و انسان را بر اساس داده های زیستی محدود و روش های تولید داده های مصنوعی ایجاد کرد.

مسئله اصلی چنین رویکردهایی این است که بدون نقشه های تشریحی یا عملکردی دقیق، تعیین اینکه چقدر این شبیه سازی ها منعکس کننده سیستم های بیولوژیکی هستند، چالش برانگیز است.

دانشمندان علوم اعصاب ده‌ها سال را صرف اصلاح نظریه‌های مداری کرده‌اند که D. melanogaster را قادر می‌سازد تا حرکت را محاسبه کند. کانکتوم مدار تشخیص حرکت، که در سال ۲۰۱۳ تکمیل شد، همراه با کانکتوم‌های فلای بزرگتر، یک نمودار مدار دقیق ارائه می‌کند که از فرضیه‌های خاصی در مورد نحوه عملکرد مدار پشتیبانی می‌کند.

با این حال، داده‌های شبکه‌های عصبی واقعی محدودیت‌های یک رویکرد مبتنی بر آناتومی را نشان داده‌اند.

به عنوان مثال، یک مدل مدار عصبی از دهه ۱۹۹۰، اتصال و فیزیولوژی حدود ۳۰ نورون در گانگلیون معده خرچنگ را تجزیه و تحلیل کرد و حرکات معده را کنترل کرد. مشاهده فعالیت نورون‌ها در موقعیت‌های مختلف نشان داد که تغییرات ظریف، مانند معرفی یک neuromodulator، می‌تواند رفتار مدار را کاملاً تغییر دهد. این نشان می دهد که حتی با اتصالات و داده های غنی، اطلاعات امروزی ممکن است به اندازه کافی دقیق نباشد تا مدل ها به طور دقیق سیستم های بیولوژیکی را نشان دهند.

یادگیری ماشینی می تواند راه حلی در این زمینه ارائه دهد.

با استفاده از داده‌های اتصال و سایر داده‌ها، مدل‌های یادگیری ماشینی را می‌توان برای ایجاد رفتار شبکه عصبی منطبق با شبکه‌های عصبی واقعی، که از طریق ضبط‌های عملکردی در سطح سلولی اندازه‌گیری می‌شود، آموزش داد. این مدل‌ها ممکن است اطلاعات تکنیک‌های سنتی مدل‌سازی مغز را ادغام کنند و پارامترها را با استفاده از نقشه‌های اتصال، ضبط‌های عملکردی-فعالیت یا سایر مجموعه‌های داده کل مغز بهینه کنند. روش دیگر، مدل‌های یادگیری ماشینی می‌توانند معماری‌های جعبه سیاه با میلیاردها پارامتر بهینه‌سازی تجربی باشند و نیازی به دانش بیولوژیکی مشخصی ندارند.

محققان می‌توانند این مدل‌ها را با مقایسه پیش‌بینی‌های آنها در مورد فعالیت عصبی با ضبط‌های واقعی سیستم بیولوژیکی ارزیابی کنند. مهمتر از همه، آنها ارزیابی می کنند که مدل چقدر داده هایی را که روی آن آموزش ندیده است، با پیروی از شیوه های استاندارد در ارزیابی سیستم های یادگیری ماشینی پیش بینی می کند.

نسخه ساده شده

پیشرفت در مدل سازی مغز با یادگیری ماشینی

این روش مدل سازی مغز با هزاران نورون را دقیق تر می کند. محققین می‌توانند ارزیابی کنند که آیا مدل‌های ساده‌تر، محاسبه آسان‌تر، شبیه‌سازی شبکه‌های عصبی بهتر از شبکه‌های پیچیده‌تر با اطلاعات بیوفیزیکی دقیق، و بالعکس.

یادگیری ماشین قبلاً برای درک سیستم های پیچیده مانند پیش بینی آب و هوا استفاده می شود. مدل‌های آب و هوای سنتی، که از دهه ۱۹۵۰ وجود داشته‌اند، بر مدل‌های ریاضیاتی تکیه می‌کنند که توسط محققان اصلاح شده است. اخیراً، یادگیری ماشینی سیستم‌های پیش‌بینی آب و هوا را با فرضیات کمتر ایجاد کرده و میلیون‌ها پارامتر را برای شبیه‌سازی رفتار آب‌وهوا بر اساس الگوهای گذشته بهینه‌سازی کرده است.

چالش هایی در این رویکرد وجود دارد. حتی توضیح مدل‌های دقیق ممکن است سخت باشد و پیش‌بینی سناریوهایی که در داده‌های آموزشی نیستند چالش برانگیز است. با این حال، رویکردهای یادگیری ماشینی در حال حاضر در موارد خاص، مانند پیش‌بینی بارندگی در چند ساعت آینده، بهتر از روش‌های کلاسیک عمل می‌کنند.

برای مدل‌سازی مغز، این رویکرد می‌تواند شکاف‌های موجود در مجموعه داده‌های فعلی را پر کند و نیاز به اندازه‌گیری‌های بسیار دقیق اجزای بیولوژیکی فردی را کاهش دهد. با ظهور مجموعه داده های جامع تر، آنها به راحتی می توانند در مدل ها گنجانده شوند.

چالش های اصلی

کیفیت داده

برنامه های یادگیری ماشینی به داده های خوب بستگی دارند. دانشمندان علوم اعصاب باید به دنبال به دست آوردن مجموعه داده ها از کل مغز یا حتی کل بدن باشند.

 نقشه های تشریحی و عملکردی

به دست آوردن نقشه های تشریحی و ضبط عملکردی از کل مغز یک نمونه برای مدل سازی دقیق بسیار مهم است.

استانداردسازی و همکاری

همکاری و حمایت مالی برای به دست آوردن مجموعه داده های چندوجهی مورد نیاز است. استانداردسازی در مدل سازی اهداف و معیارها برای ردیابی پیشرفت ضروری است.

اهداف مدل سازی

توافق بر روی اهداف و معیارهای مدل سازی کلیدی ضروری است. آیا یک مدل باید رفتار تک نورون یا کل مغز را پیش‌بینی کند؟ معیارهای واضح برای مقایسه مدل ها بسیار مهم هستند.

تعامل جامعه

برای درگیر کردن جوامع مختلف، محققان باید اولویت های مدل سازی و معیارهای ارزیابی را به وضوح بیان کنند. پلتفرم هایی مانند WeatherBench یک الگوی مفید ارائه می دهند.

مجموعه پیچیدگی

برخی ممکن است سودمندی علمی رویکرد یادگیری ماشینی برای مدل سازی مغز را زیر سوال ببرند. با این حال، در علوم اعصاب حسی، ترکیب شبکه‌های عصبی مدل‌سازی شده کلاسیک با یادگیری ماشین مؤثر بوده است. در حال حاضر، سوال این است که آیا داده های نقشه برداری مغز فعلی می توانند مدل های یادگیری ماشینی را برای بازتولید فعالیت عصبی مشاهده شده در سیستم های بیولوژیکی آموزش دهند. حتی شکست در این تلاش می تواند نشان دهنده نیاز به کاوش عمیق تر در تلاش های نقشه برداری باشد.

منابع

https://www.nature.com/articles/d41586-023-03426-3