我們的大腦非常擅長學習世界上的模式并理解它們。大腦在我們的一生中不斷學習和適應，甚至支持學習行為的神經(jīng)元，例如每天步行上班，也在不斷變化。
這種“代表性漂移”發(fā)生時行為或任務表現(xiàn)沒有任何明顯變化。一切似乎都是常規(guī)和穩(wěn)定的，也就是說，你遵循相同的工作路徑，制定相同的計劃并采取相同的步驟，但與此同時，大腦某些部分的神經(jīng)活動模式正在發(fā)生變化。發(fā)表在PNAS雜志上的一項新研究提出了盡管神經(jīng)代碼發(fā)生變化，大腦如何保持穩(wěn)定。
劍橋神經(jīng)科學家和研究合著者 Michael E. Rule 博士和 Timothy O'Leary 博士認為，神經(jīng)元(使你的大腦工作的細胞)可以檢測到它們的某些輸入何時發(fā)生變化，并調(diào)整影響的強度。神經(jīng)元具有另一個，以進行補償，從而支持一種內(nèi)部學習形式。
“神經(jīng)代碼的這些變化與語言如何隨時間逐漸變化具有相似之處，同時忠實地傳達共同的想法和概念，”工程系 Leverhulme 早期職業(yè)研究員 Rule 博士說。
雖然大腦的某些部分是可塑性的，并且變化很快，但其他部分則表現(xiàn)出長期穩(wěn)定性。那么神經(jīng)回路如何在無需不斷地重新學習他們已經(jīng)學習過的東西的情況下相互交流呢?即使是腦機接口——越來越多地被用作認知或身體障礙者的輔助生活設備——也必須應對“漂移”。
研究人員認為，單細胞內(nèi)的穩(wěn)態(tài)過程可以幫助大腦在變化時“觀察自己”，而內(nèi)部產(chǎn)生的信號有助于穩(wěn)定的神經(jīng)群體“學習”如何跟蹤不穩(wěn)定的神經(jīng)群體。研究人員根據(jù)建模和活體大腦活動的數(shù)據(jù)/觀察做出了這一猜想。
工程師們目前是如何開發(fā)機器學習算法來跟蹤神經(jīng)表征的變化——自動——研究人員提出，類似于這些算法的東西也可能在大腦中起作用，從眾所周知的學習規(guī)則和穩(wěn)態(tài)過程中出現(xiàn)。
“這可能解釋了可塑性和穩(wěn)定的神經(jīng)群體如何能夠在大腦中共存，”Rule 博士說。“我們已經(jīng)知道‘表征漂移’發(fā)生在海馬體——大腦中在學習和記憶中起主要作用的部分——似乎發(fā)生在頂葉皮層——負責感覺感知和整合的區(qū)域。我們建議有幾種特定機制可以幫助使這種可塑性與大腦的長期穩(wěn)定性兼容。”
工程系副教授 O'Leary 博士說，這項研究強調(diào)了“漂移”可能源于持續(xù)學習的想法。
“人工智能存在一個巨大的未解決的挑戰(zhàn)，即構(gòu)建可以持續(xù)學習而不會破壞先前學習信息的算法的問題，”他說。“大腦顯然實現(xiàn)了這一點，而這項工作是朝著尋找可以做到這一點的算法方向邁出的一步。”
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！