Neuroni primaju precizno prilagođene signale dok učimo

Kada naučimo novu vještinu, mozak mora odlučiti, stanicu po stanicu, što će promijeniti. Novo istraživanje s MIT-a sugerira da to može učiniti s iznenađujućom preciznošću, šaljući ciljane povratne informacije pojedinačnim neuronima kako bi svaki od njih mogao prilagoditi svoju aktivnost u pravom smjeru.

Ovo otkriće odražava ključnu ideju moderne umjetne inteligencije. Mnogi AI sustavi uče uspoređujući svoj izlaz s ciljem, izračunavajući signal "pogreške" i koristeći ga za fino podešavanje veza unutar mreže. Dugogodišnje pitanje bilo je koristi li mozak i tu vrstu individualizirane povratne informacije. U studiji otvorenog pristupa objavljenoj u izdanju časopisa Nature, istraživači MIT-a izvještavaju o dokazima da to čini.

Istraživački tim predvođen Markom Harnettom, otkrio je ove signale kod miševa trenirajući životinje da kontroliraju aktivnost specifičnih neurona pomoću sučelja mozak-računalo (BCI).

Njihov pristup može se koristiti za daljnje proučavanje odnosa između umjetnih neuronskih mreža i stvarnog mozga, na načine za koje se očekuje da će poboljšati razumijevanje biološkog učenja i omogućiti bolju umjetnu inteligenciju inspiriranu mozgom.

Naši se mozgovi neprestano mijenjaju dok komuniciramo sa svijetom, modificirajući svoje sklopove dok učimo i prilagođavamo se. „Iz 50 godina studija znamo mnogo da postoji mnogo načina za promjenu snage veza između neurona“, kaže Harnett. „Ono što ovom području zaista nedostaje jest način razumijevanja kako su te promjene orkestrirane kako bi zapravo proizvele učinkovito učenje.“

Strojno učenje koristi alternativni i iznimno moćan način učenja iz pogrešaka. Koristeći metodu koja se naziva povratno širenje, umjetne neuronske mreže izračunavaju signal pogreške i koriste ga za prilagodbu svojih pojedinačnih veza.

To rade iznova i iznova, učeći iz iskustva kako fino podesiti svoje mreže za uspjeh. „Funkcionira jako dobro i računalno je vrlo učinkovito“, kaže Harnett.

Harnettov tim razvio je zadatak sučelja mozak-računalo kako bi izravno povezao neuronsku aktivnost i ishod nagrađivanja, slično izravnom povezivanju tipki klavira s aktivnošću pojedinačnih neurona. Da bi uspjeli u zadatku, određeni neuroni morali su povećati svoju aktivnost, dok su drugi morali smanjiti svoju aktivnost.

Postavili su BCI kako bi izravno povezali aktivnost u tim neuronima, samo osam do deset od milijuna neurona u mozgu miša, s vizualnim očitanjem, pružajući miševima senzorne povratne informacije o njihovoj izvedbi. Uspjeh je bio popraćen isporukom slatke nagrade.

Znanstvenici nisu znali točnu funkciju određenih neurona koje su povezali s BCI-jem, ali stanice su bile dovoljno aktivne da su miševi povremeno dobivali nagrade kad god bi se signali slučajno pokazali točnima. U roku od tjedan dana miševi su naučili uključiti prave neurone dok su drugi skup neurona ostavljali neaktivnim, zarađujući više nagrada.

Tim je koristio ove podatke kako bi ispitao odnos između signala primljenih na dendritima neurona i njegove aktivnosti, kao i kako su se oni mijenjali kada su miševi bili nagrađeni za aktiviranje pravih neurona ili kada nisu uspjeli u svom zadatku.

Zaključili su da su dvije skupine neurona čija je aktivnost kontrolirala BCI na suprotne načine, također primale suprotne signale pogreške na svojim dendritima dok su miševi učili. Nekima je rečeno da pojačaju svoju aktivnost tijekom zadatka, dok je drugima rečeno da je smanje. Štoviše, kada je tim manipulirao dendritima kako bi inhibirao te instruktivne signale, miševi nisu uspjeli naučiti zadatak.

„Ovo je prvi biološki dokaz da se vektorizirano [neuronski specifično] instruktivno učenje temeljeno na signalima odvija u korteksu“, kaže Harnett.