fbpx

Каталог статей

Каталог статей для размещения статей информационного характера

Технології

Нова теорія нейронного кодування інформації

Вчені з Інституту науки і технологій Австрії і Париж поєднали і розвинули всі прийняті досі теорії про те, як нерви відбирають і переносять інформацію в нашій сенсорній системі.
Цифрові відеокамери неймовірно детально записують те, що відбувається, але збереження цих даних вимагає занадто багато місця. Перед інженерами зараз постало питання, як стискати відео, тобто видаляти інформацію, щоб при перегляді цього не було помітно.
З подібною проблемою зіткнулися наші очі. Вони перенасичені візуальною інформацією, але можливості нейронів у них обмежені. Як з усієї кількості подразників нейрони вибирають ту інформацію, яку потрібно записувати і відсилати в мозок?
Неврологи запитували себе і розробили різні теорії, щоб передбачити, що нейрони будуть робити в певних ситуаціях. Нещодавно Метью Чалк (Matthew Chalk, коли постдокторант в Австрійському Інституті науки і техніки (ІНТ), а зараз – в Парижі), професор з ІНТ Гашпер Ткачик (Gašper Tkacik) та Олів’є Мар (Olivier Marre), який очолює лабораторію з дослідження сітківки у Візуальному інституті Парижа, розробили рамковий проект, що поєднує всі попередні теорії кодування інформації. Це дозволяє вченим робити прогнози про ті види нейронів, яких досі не описувала ні одна теорія.
Одна з основних цілей вчених – спрогнозувати нервові реакції через математичні моделі. Це прогнозування ґрунтується на трьох основних теоріях, серед яких кожна має різну сферу застосування. Кожній відповідають відповідні припущення про внутрішні обмеження нейронів, вид сигналу та цілі інформаційного збору.
Нейронный код, по суті, є функцією, що передбачає, коли нейрон «загориться». Сигнальний потенціал дії відповідає при цьому цифровий «1» в бінарній системі. Так один або декілька нейронів, які спалахують в певний момент, можуть кодувати інформацію.
Ефективне або статистичне кодування припускає, що нейрони обробляють як можна більше інформації, беручи до уваги всі внутрішні обмеження – наприклад, шуми або метаболізм.
Інтелектуальне кодування разом з тим передбачає, що обробляється лише та інформація, яка є важливою для передбачення майбутнього – наприклад, в якому напрямку полетить комаха.
Зрештою, «розріджений кодування (sparse coding) передбачає те, що одночасно активуються лише деякі нерви.
Досі було неясно, в яких випадках можна застосовувати ці теорії та як вони узгоджуються один з одним. Однак сучасні дослідження вносять порядок у теоретичний ландшафт: «досі не знали, як можна поєднати ці теорії або як їх можна порівняти. Наш рамковий праця долає цю перешкоду, з’єднуючи їх межах загальної структури», – пояснив Гашпер Ткачик.
В контексті цього рамкового праці нейронный код можна інтерпретувати як код максималізації певної математичної функції. Ця функція – і нейронный код, який максимізує її – залежить від трьох параметрів: від шумів в сигналі; від мети, тобто завдання – наприклад, передбачення майбутнього; і від складності сигналу, що кодується.
Описані вище теорії годяться тільки для певних діапазонів цих параметрів і не охоплюють весь можливий простір величин. Це призводить до проблем при спробі експериментально їх перевірити.
Гашпер Ткачик пояснив: «Коли ви створюєте подразники, якими потім уявляєте нейрон в моделі, який потрібно перевірити, дуже складно зрозуміти, нейрон не зовсім збігається з коханою теорією, ваша улюблена теорія просто неповна. Наша уніфікована модель надає конкретні прогнози для величин, що лежать між тими, які досліджували раніше».
Така цілісна теорія команди долає наявні обмеження, дозволяючи нейронів мати «змішану» мета кодування. Вони не повинні пасувати до чітких, раніше досліджуваних категорій. Наприклад, нова теорія може пояснити випадок, коли нейрони поодинці мають дуже багато шумів, але повинні ефективно кодувати розсіяні подразники. Загалом оптимальні нейронні коди можуть бути розміщені на континуумі згідно з тих величин, які визначають обмеження оптимальності всіх параметрів. Це пояснює феномени, які раніше помічали, але не могли пояснити ні зараз розробленою моделлю.
Для провідного автора Метью Чалка це один з найцікавіших моментів їх дослідження: «Чимало теорій, які дозволяють прогнозувати, в тестах є негнучкими. Або вони припускають правильно, чи ні. Чого ми найбільше потребуємо і що дає нам можливість здійснити наше дослідження – це продукувати багато гіпотез і припущень для різних ситуацій».
Крім забезпечення значної гнучкості, рамкова теорія може робити конкретні прогнози щодо певних видів нейронного кодування, які досі були недослідженими – наприклад, розріджений і інтелектуальне кодування.
В рамках нової теорії Метью Чалк спроектував експеримент, щоб перевірити прогнози і віднести нейрони в певної категорії як ефективні, інтелектуальні, розсіяні або такі, що поєднують різну мету кодування. В лабораторії Олів’є Мара вчений зосередився на сітківці і розробив візуальні стимули, які активують нейрони сітківки, щоб краще виявити мета їх кодування.
Рамкова теорія може мати і більш широке застосування. «Необов’язково йдеться про нерви, – пояснив Гашпер Ткачик. – Ідея розглянути цю проблему з точки зору оптимізації може бути використана в будь-якому типі системи, яка обробляє сигнали. А апроксимація дозволяє вивчати навіть ті системи, функції яких складно вирахувати». Наріжний камінь подальшого застосування теорії троє вчених описали в статті, яку опублікували в минулому році в «Advances in Neural Information Processing Systems (NIPS)». Нинішня стаття опублікована в PNAS.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *