Neuron-kaskadi voi olla samanlainen kuin neutraali valinta evoluutiossa

Neuron-kaskadi voi olla samanlainen kuin neutraali valinta evoluutiossaEnlargeMiguel Navarro / Getty Images

“Olen pahoillani, mutta aivosi kärsivät lumivyöryistä” on a diagnoosin, jonka pitäisi olla asia. Hoitoon tulisi osallistua St. Bernard kaivaa hermosoluja välittäjäaineiden kasoista. Valitettavasti kaikkien aivot kärsivät lumivyöryistä. Itse asiassa minä voi turvallisesti diagnosoida ketään, joka ei kärsi lumivyöryistä kuollut. (Ja luulit tutkinnon esteiden olevan älyllinen?)

Aivojen lumivyöry on yleensä yleensä pieni huomaamaton tapahtuma, joka laukaisee massiivisen neuronaalisen kaskadin toiminta. Näiden havaitaan tapahtuvan ilman ulkoisia liipaisimet.

Joten miksi niitä esiintyy? On ajateltu, että nämä lumivyöryt pitäisi tuottaa jonkinlaista hyötyä, mutta uudet tutkimukset viittaavat siihen se voi olla vain meluisa onnettomuus.

Miksi neuronit kaskadisoituvat?

Yhden tason selitys aivojen lumivyöryille on melko selvä yksinkertainen ja erittäin valaisematon. Aivot eivät ole lineaarisia – jos oikea neuroni ampuu oikeaan aikaan, se voi laukaista a suhteeton vaste neuroneista, joihin se on kytketty. Myös nämä voivat laukaista suuren vasteen, kaskadilla, joka leviää nopea, kaukana ja leveä. Mutta tämä selitys, vaikka sinulla on Hyödyllisyydestä, ei oikeastaan ​​kerro meille paljon.

Esimerkiksi se ei kerro meille miksi nämä tapahtumat ovat sallittuja Tapahtua. Jos tietokoneesi tekisi tämän, se kaatuu. Ja se on on mahdollista, että aivojen osat kaatuvat kaskadin aikana. Että kuulostaa pahasti, joten saatat odottaa, että lumivyöryt tarjoavat jonkin verran etua. Ehkä niitä vaaditaan parantamaan laskenta? Ehkä ne ovat ei-toivottuja seurauksia aivojen käyttäminen pisteessä, jossa oppiminen on yhtä nopeaa kuin mahdollista?

On selvitetty kaksi yleistä lähestymistapaa mikä tämän ilmiön takana on. On ihmisiä, jotka todella tietävät miltä neuroni näyttää ja pystyy erottamaan aivot onnistuneesti kudos palavasta paahtoleipästä kaksi kertaa kolmesta. He tutkivat hermosolujen kaskadit tutkimalla kuinka aivot todella toimivat. Fyysikot eivät ja eivät voi, joten he tekevät matemaattisia malleja sen sijaan. Näitä malleja testataan laajasti kaikenlaisilla olosuhteissa. (Tällainen tutkimus on suuri säästö palanut paahtoleipää.)

Nämä mallit ovat samankaltaisia ​​kuin aivot ja neuroni kuten polkupyöräni tekee albatrossiin. Kaikki, mukaan lukien fyysikot, tietää tämän – miksi heidän mielestään mallintaminen toimii? No, he yrittävät ymmärtää laajempia kysymyksiä aiheesta aivojen yleinen käyttäytyminen verkostona. Ja nämä kysymykset voivat vastataan malleilla, jotka ovat todella todellisuuden varjoja asia.

Miksi nämä mallit toimivat

Luottamuksemme näihin suhteellisen yksinkertaisiin malleihin palaa takaisin puolitilafysiikka ja vaihesiirtymän idea. vaihe muutokset ovat asioita, kuten jään sulaminen nestemäiseen veteen, tai magneetti menettää magneettisuutensa kuumentuessaan. Vaihesiirtymät ovat, fyysisesti kaikki hyvin erilaisia ​​toisistaan. Silti matematiikka , joka kuvaa tapaa, jolla vaihesiirto tapahtuu, on turmeltumaton samankaltainen kuin nämä esimerkit. Upotettu siihen on ajatus Kriittinen piste. Kriittisen pisteen toisella puolella, materiaali käyttäytyy yhdellä tavalla; toisella puolella materiaali käyttäytyy toinen.

Kävi ilmi, että tämä ajatus on paljon laajempi kuin tällainen siirtyminen: kaikenlaisia ​​asioita, kuten tippuvia hanoja, eläin populaatiot, kemialliset reaktiot, markkinoiden käyttäytyminen ja monet muut enemmän, näytti olevan kelvollisia samaan analyysiin. Ja kyllä aivot sisältyvät siihen. Esimerkiksi epilepsia näyttää olevan nämä mallit kuvaavat hyvin.

Joten palautetaan tämä takaisin hermovisuaalisiin lumivyöryihin. Tällainen käyttäytyminen on hyvin samanlainen kuin esimerkiksi magneettisten pyörähdysten suunta paramagneettisen vaiheen aikana siirtyminen. Mutta hermosolujen lumivyöryt esiintyvät suhteellisen usein, mikä tarkoittaisi, että aivot toimivat lähellä kriittistä pistettä. Tutkijat ovat ehdottaneet, että aivoja tehostetaan toimimalla lähellä kriittistä kohtaa, mikä mahdollistaisi tarkoittaa, että se on mukautuva ominaisuus.

Mutta evoluutioteoriassa on ajatus, joka kertoo meille tämän kaikki piirteet eivät ole olemassa, koska niistä on hyötyä. Jonkin verran piirteet päätyvät paikoilleen ajautumisen ja muiden takia, koska he ovat jotain hyödyllistä sivuvaikutus. Osoittautuu, että tämä käsite voi molemmat kuvaavat hermoslankavälien hyödyllisyyttä ja miten ne päätyi ensinnäkin olemaan aivojen ominaisuus.

Seuraavaksi fyysikko puhuu evoluutiosta; nuo biologisen väärinkäytön vastenmielisyyden pitäisi nyt katsoa pois. Se oli melko järkyttävää minulle oppiessaan, että monia piirteitä ei ole valittu luonnollisen valinnan puolesta tai vastaan, mutta voi syntyä vahingossa. Vaikka jotkut mutaatiot ovat edullisia ja toiset selvästi huonoja, useimmat Älä aiheuta tarpeeksi suurta muutosta huomaamatta – ne ovat neutraaleja. Neutraalit muutokset voivat levitä populaatiossa, koska ne ovat linkitetty vahingossa johonkin, jolle on valittu. Neutraali ominaisuus voi myös päätyä leviämään samalla tavalla kuin lumivyöry tapahtuu: se sattuu olemaan oikeassa paikassa oikeaan aikaan. huomautan, että genetiikan neutraaleilla piirteillä on väestöä dynamiikka yhtä monimutkainen kuin kriittisten pisteiden ilmiöt, mutta ilman kriittisiä kohtia.

Jos voimme saada tällaisen käytöksen väestögenetiikassa olematta lähellä kriittistä pistettä, ehkä me näemme täsmälleen sama asia aivoissa neuronikaskadien kanssa?

Käyttämällä hyvin hyväksyttyä neuronimallia, joka on kytketty osana hermoverkko, tutkijat yrittivät selvittää, onko hermosto lumivyöryä voidaan kuvata neutraalilla käytöksellä. Ja tämä on missä mallien valta tulee omaksi. Malliparametrit ovat hyvin tunnettuja, ja kriittiset kohdat voidaan löytää ja karakterisoitu tarkasti. Sitten on mahdollista luetteloida havaitut erityyppiset käyttäytymistavat, riippuen siitä, miten neuronit ovat yhteydessä toisiinsa ja kynnys kun neuronit tulevat sisään vaste muihin neuroneihin. Tämä on täsmälleen sellainen kokeilu se on melkein mahdotonta kun pelataan oikeiden hermosolujen kanssa.

Kaikki ei ole hyvin mallien kanssa

Erityisesti tutkijat valitsivat asetukset, joille se oli tiedettiin, että hermoverkossa oli epäjatkuva siirtymä erittäin aktiivisen tilan (paljon neuroneja ampuu usein) ja heikko aktiivisuus (paljon neuroneja ampuu harvoin). vuonna aktiivinen tila, kaskadit tai lumivyöryt olivat havainneet toisia tutkijoiden ja verkoston toiminta on yhdenmukaista käyttäytymisen kanssa havaittu oikeissa aivoissa.

Tässä analyysissä käytettiin temppu, jota ei voida käyttää todellisuudessa havaintoja. Tutkijat etsivät laskennallista tietoa tunnistaa neuroni, joka laukaisi lumivyöryn, ja sieltä jäljitti toimintaketjun sellaisten asioiden määrittämiseksi, kuten kesto ja lumivyöryn koko. Oikeassa mittauksessa et koskaan tiedä mikä hermosto aiheutti lumivyöryn, sen sijaan sinun on tavallaan oltava ryhmittele neuronien ampuminen ajan mukaan ja määritä ajallinen läheisyys mitkä neuronit aiheuttivat minkä tuli.

Jos teet tämän laskentatietojen kanssa, Mallihermosolujen lumivyöryt eivät ole samanlaisia ​​kuin todellisten aivot. Se vaikuttaa tavallaan huolta, jos haluat tehdä ennusteita. Niin ei ole selvää onko muut tiedot, joista me saamme pois laskennallinen malli on merkityksellinen.

Siitä pidemmälle tutkijat kehittivät yksinkertaistetun mallin jolla oli useita toivottavia ominaisuuksia. Parametreista riippuen sillä oli epäjatkuva vaihesiirto (niin äkillinen hyppy pisteestä aktiivinen tila lepotilaan) ja jatkuva vaihe siirtymä (aktiivisuusaste muuttuu sujuvasti tilasta toiseen toinen, mutta muutosnopeus osoittaa äkillisen hypyn).

Ja tietysti lähellä vaihesiirtymiä, hermo verkko osoitti kaskadeja.Mutta tärkeintä on, että verkostolla on kaskadit, vaikka lähellä ei ole vaihesiirtymää.

Aivoille annettujen etujen huomioon ottaminen toimii lähellä kriittistä pistettä, toimii neutraalissa tilassa alueella on mitään etuja? Tutkijat tarjoavat joitain keinottelu näillä linjoilla. Esimerkiksi järjestys ja Verkossa ampuvien neuronien intensiteetti voi koodata tiedot. Tutkijat spekuloivat neutraalien lumivyöryjen, koska ne ovat syy-aiheisia (esim. jokainen hermosolu laukaisee muut tuleen sen jälkeen kun he ovat ampuneet) voisi tarjota lähteen alkuun ampumisaktiivisuus, joka voidaan liittää, ja koodata, tiedot.

Mutta rehellisesti sanottuna tässä kaikki menee pieleen. Malli, yhdessä tarjoaa muiden kanssa, kuten se, tarjoaa loistavan kuvan tilastotiedoista verkon käyttäytyminen. Valitettavasti yhdistämällä se tosiasialliseen toiminnot, kuten kasvojen tunnistaminen tai kahden numeron lisääminen, ovat melko taipuvainen. Vahvuus tässä on, että tutkimus saattaa ehdottaa uusia tapoja ymmärtää kuinka aivot oppivat. Mutta vaikka se tekisi, on vaikeaa yhdistää tutkimusta todellinen neuronit takaisin malleihin.

Fyysinen katsaus X, 2017, DOI: 10.1103 / PhysRevX.7.041071

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: