Люди, как и другие животные, обладают огромной способностью к обучению, что позволяет им понимать новую сенсорную информацию, чтобы приобретать новые навыки или адаптироваться к постоянно меняющейся среде. Однако многие механизмы, позволяющие нам учиться, остаются непонятными. Одна из самых больших проблем в системной нейробиологии — понять, как меняются синаптические связи для поддержки адаптивного поведения. Как научить мозг учиться, разговаривая сам с собой?
Нейро биологи из Женевского университета (UNIGE) в Швейцарии ранее показали, что механизмы синаптического обучения в коре головного мозга зависят от обратной связи из более глубоких областей мозга. Теперь эти же ученые выяснили, как именно эта обратная связь блокирует синаптическое усиление, включая и выключая отдельные тормозящие нейроны. Это исследование можно прочитать в журнале Neuron, не только представляет собой важную веху в нашем понимании механизмов восприятия обучения, но также может предложить понимание компьютеризированных систем обучения и искусственный интеллект.
Кора головного мозга — самая удаленная и самая большая область мозга — жизненно важна для более высокого познания, сложного поведения, восприятия и обучения. Когда возникает сенсорный стимул, кора головного мозга обрабатывает и фильтрует информацию, прежде чем передавать ее наиболее важные аспекты в другие области мозга. Некоторые из этих областей мозга, в свою очередь, отправляют информацию обратно в кору головного мозга. Эти петли, известные как «системы обратной связи», считаются необходимыми для функционирования корковых сетей и их адаптации к новой сенсорной информации. «Для перцептивного обучения — то есть лучшей способности реагировать на сенсорный ввод — нейронным цепям сначала необходимо оценить важность поступающей сенсорной информации, а затем уточнить способ ее обработки в будущем.
Как используют системы обратной связи мыши
Усы во рту мышей специализируются на тактильных ощущениях и играют важную роль в способности животного понимать аспекты его непосредственного окружения. Часть коры головного мозга, которая обрабатывает сенсорную информацию от усов, постоянно оптимизирует свои синапсы, чтобы исследовать новые аспекты тактильной среды. Таким образом, это дает интересную модель для понимания роли систем обратной связи в механизмах синаптического обучения.
Ученые из UNIGE изолировали цепь обратной связи усов и использовали электроды для измерения электрической активности нейронов коры. Затем они имитировали сенсорные входы, стимулируя определенную часть коры головного мозга, которая, как известно, обрабатывает эту информацию, и используя свет для управления цепью обратной связи.
«Эта модель ex vivo позволила нам контролировать обратную связь независимо от сенсорной информации, что невозможно сделать. Однако это отключение сенсорного ввода от обратной связи было необходимо, чтобы понять, как их взаимодействие приводит к синаптическому усилению», — добавляет Хольтмаат.
Подавленные нейроны блокируют информацию
Команда обнаружила, что оба компонента, когда активируются по отдельности, включают широкий спектр нейронов. Однако, когда они активируются одновременно, некоторые нейроны фактически снижают свою активность.
«Интересно, что нейроны, которые подавляются при взаимодействии сенсорного ввода и обратной связи, обычно также подавляют нейроны, которые важны для восприятия; это известно как ингибирование или разблокирование », — объясняет Лина Уильямс из медицинского факультета UNIGE, ведущий автор исследования.
Таким образом, эти нейроны действуют как ворота, которые обычно закрыты для поступающей информации. Однако, когда возникает обратная связь, ворота открываются, позволяя синапсам, имеющим дело с основной сенсорной информацией, увеличивать свою мощность.
Теперь, после тщательного определения того, какие нейроны задействованы в этом механизме, исследователи намерены проверить свои результаты в «реальной жизни» и посмотреть, будут ли тормозящие нейроны вести себя так, как предполагалось.
Глубокое обучение: имитация вашего естественного интеллекта
Как цепи мозга оптимизируются? Как система может учиться сама, читая свои действия? Помимо того, что этот вопрос важен для обучения животных, он также важен для программ обучения на машинах. Действительно, некоторые специалисты по глубокому обучению пытаются имитировать работу мозга, создавая системы с искусственным интеллектом. Выводы, сделанные командой UNIGE, могут иметь отношение к неконтролируемому обучению, ветви машинного обучения, занимающейся моделями схем, которые могут самоорганизовываться и оптимизировать обработку новой информации. Это важно, например, при создании эффективных программ распознавания голоса или лиц.
Материал подготовлен на основе пресс-релиза Женевского университета.
