비판적으로 동기화된 뇌파는 인간의 기억과 학습을 위한 효과적이고 강력하며 유연한 기반을 형성합니다.

Scientific Reports 13권, 기사 번호: 4343(2023) 이 기사 인용

1371 액세스

3 알트메트릭

측정항목 세부정보

기억과 학습의 효과성, 견고성, 유연성은 인간의 자연스러운 지능, 인지 및 의식의 본질을 구성합니다. 그러나 이러한 주제에 대해 현재 받아들여지는 견해는 지금까지 뇌가 전기 신호를 통해 내부적으로 어떻게 통신하는지에 대한 실제 물리적 이론에 근거 없이 제시되었습니다. 이러한 탄탄한 이론적 틀의 부족은 뇌가 어떻게 작동하는지에 대한 우리의 이해뿐만 아니라 Hodgkin-Huxley 광고에 기초한 뇌 신경 조직 및 뇌 네트워크 파생 기능에 대한 표준 정통 관점에서 개발된 광범위한 계산 모델에도 영향을 미칩니다. - 다수의 인공, 순환, 컨볼루션, 스파이킹 등을 생성한 임시 회로 비유, 인공 지능(AI) 및 기계 학습의 기초를 형성하는 표준 알고리즘으로 이어진 신경망(ARCSe NN)( ML) 방법. 최근 개발된 약하게 사라지는 뇌파 전파(WETCOW)의 물리적 모델을 기반으로 한 우리의 가설은 뇌 뉴런이 느린 누출과 함께 통합되고 활성화되는 현재의 정통 모델과 달리 훨씬 더 정교한 작업을 수행할 수 있다는 것입니다. 현재 중요하지 않은 하위 임계값 잡음으로 간주되는 파동인 임계 뇌파 근처의 비선형 전파의 집단적 영향에 의해 유도되는 효율적인 일관된 동기화/비동기화. 이 백서에서는 WETCOW 프레임워크의 학습 및 기억 기능을 강조한 다음 이를 AI/ML 및 신경망의 특정 애플리케이션에 적용합니다. 우리는 이렇게 비판적으로 동기화된 뇌파에서 영감을 얻은 학습이 얕지만 타이밍과 정확성이 표준 테스트 데이터 세트의 심층 ARCSe 대응보다 우수하다는 것을 보여줍니다. 이러한 결과는 뇌 기능에 대한 이해와 광범위한 AI/ML 애플리케이션 모두에 영향을 미칩니다.

인간 기억의 메커니즘은 현대 과학에서 풀리지 않은 가장 큰 미스터리 중 하나로 남아 있습니다. 인간 학습의 중요한 구성 요소인 기억에 대한 일관된 이론의 부족은 인지에 대한 우리의 이해에도 광범위한 영향을 미칩니다. 실험적 신경과학과 신경영상 기술의 최근 발전은 세포내 수상돌기, 시냅스, 축삭, 체세포의 미세 규모부터 상호작용하는 중규모에 이르기까지 뇌 기능에서 작용하는 광범위한 공간적, 시간적 규모의 상호작용을 고려하는 것이 중요하다는 점을 강조했습니다. 신경 회로의 네트워크, 뇌 전체 회로의 거시적 규모. 이러한 실험 데이터에서 파생된 현재 이론은 끊임없이 변화하는 외부 자극을 학습하고 적응하는 인간의 능력은 다양성 간의 유연한 배열에서 파생된 복잡하고 적응 가능하며 효율적이고 견고한 회로, 네트워크 및 아키텍처의 개발에 근거하고 있음을 시사합니다. 뇌의 뉴런 및 비뉴런 세포 유형. 따라서 기억과 학습에 대한 실행 가능한 이론은 관찰된 데이터와 일치하는 다중 규모 시공간 현상을 생성할 수 있는 물리적 모델을 기반으로 해야 합니다.

뇌 전기 활동에 대한 모든 현재 모델의 핵심은 Na+/K+ 플럭스, 전압 및 시간에 따른 전도도 변화, 활동 전위 파형에 대한 정량적 설명을 제공하는 Hodgkin 및 Huxley(HH)1에 의해 공식화된 뉴런 스파이킹 모델입니다. , 그리고 신경 섬유를 따른 활동 전위의 전도2. 불행하게도 HH 모델은 다중 매개변수 방정식 세트를 로컬 막 측정에 맞추는 데 유용했지만, 이 모델은 뇌 뉴런의 상호 연결된 네트워크에서 발생하는 복잡한 기능을 해독하는 데 제한적으로 유용했습니다. 실용적인 관점에서 볼 때 원래 HH 모델은 너무 복잡하여 상대적으로 작은 네트워크도 설명할 수 없습니다4,5,6. 이로 인해 이러한 다중 게이트를 모두 대체하므로 신경망에서 사용하기에 충분히 간단한 누출 통합 및 발사(LIF) 뉴런의 훨씬 축소된 모델을 기반으로 하는 최적화 기술7,8,9,10이 개발되었습니다. , 전류, 채널 및 임계값을 단 하나의 임계값과 시간 상수로 계산합니다. 대다수의 스파이킹 신경망(SNN) 모델은 소위 "딥 러닝"11,12,13,14에 이 단순한 LIF 뉴런을 사용하며 이것이 뇌 기능에서 영감을 얻었다고 주장합니다. 여러 LIF 모델이 대규모 데이터 세트의 이미지 분류에 사용되는 반면, SNN의 대부분의 응용 프로그램은 지나치게 단순화된 LIF 모델의 복잡한 역학 및 미분 불가능한 작업으로 인해 여전히 덜 복잡한 데이터 세트로 제한됩니다. LIF 스파이킹 뉴런. 일부 주목할만한 연구에서는 객체 감지 작업에 SNN을 적용했습니다20,21,22. 스파이크 기반 방법은 개체 추적에도 사용되었습니다. 온라인 학습27, 점자 판독28, 다양한 신경모형 시냅스 장치29를 위한 LIF 스파이킹 네트워크를 사용하여 생물학적 문제를 감지하고 분류하는 연구가 활발히 진행되고 있습니다. 중요한 연구는 인간 수준 제어37, 스파이크 네트워크38,39,40에 대한 역전파 알고리즘 최적화 및 이벤트를 사용하여 더 적은 수의 시간 단계41로 ARCS 코어41,42,43,44에 훨씬 더 깊이 침투하는 데 중점을 두고 있습니다. 구동 패러다임36, 40, 45, 46, 배치 정규화 적용47, 산란 및 수집 최적화48, 감독된 가소성49, 시간 단계 이진 맵50 및 전이 학습 알고리즘51 사용. 이러한 광범위한 소프트웨어 애플리케이션과 함께, 뉴로모픽 하드웨어52,53,54,55,56,57의 도움을 받아 임베디드 애플리케이션에서 이러한 LIF SNN을 개발하고 사용하는 것에 관한 엄청난 양의 연구가 있습니다. 명목상 인간 두뇌의 구조와 기능을 기반으로 하거나 영감을 받은 하드웨어입니다. 그러나 LIF 모델은 신경과학에서 널리 받아들여지고 어디에나 존재하지만, 그럼에도 불구하고 그 자체로는 스파이크를 생성하지 않는다는 점에서 문제가 있습니다.