نورون زیستی از نظر محاسباتی چقدر پیچیده است؟

مغز نرم ما با تراشه‌های سیلیکونی سخت موجود در پردازنده‌ی کامپیوتر بسیار متفاوت به‌ نظر می‌رسد؛ اما دانشمندان سابقه‌ی طولانی در زمینه مقایسه‌ی این دو دارند. همان‌طور که آلن تورینگ در سال ۱۹۵۲ گفته بود: «به این واقعیت علاقه نداریم که حالت مغز ژله‌مانند است. به عبارت‌ دیگر، فرم آن اهمیتی ندارد؛ بلکه فقط قدرت محاسباتی آن است که اهمیت دارد.»

امروزه قوی‌ترین سیستم‌های هوش مصنوعی از نوعی یادگیری ماشین به نام یادگیری عمیق استفاده می‌کنند و الگوریتم‌ آن‌ها با پردازش حجم عظیمی از داده‌ها به کمک لایه‌های پنهانی از گره‌های به‌هم‌پیوسته که شبکه‌های عصبی عمیق نامیده می‌شوند، وظایف خود را یاد می‌گیرند.

همان‌طور که از نام آن‌ها مشخص است، شبکه‌های عصبی عمیق از شبکه‌های عصبی واقعی درون مغز الهام گرفته‌اند و گره‌ها از روی نورون‌های حقیقی مدل‌سازی شده‌اند؛ یا حداقل بر اساس آنچه عصب‌شناسان در دهه‌ی ۱۹۵۰ در مورد نورون‌ها می‌دانستند، یعنی زمانی که مدل عصبی تأثیرگذاری به نام پرسپترون متولد شد، طراحی شده‌اند.

از آن زمان، درک ما از پیچیدگی محاسباتی نورون‌های منفرد افزایش چشمگیری پیدا کرده و مشخص شده است نورون‌های زیستی بسیار پیچیده‌تر از نورون‌های مصنوعی هستند؛ اما چقدر؟

برای پی بردن به این موضوع، دیوید بنیاگوئف، آیدان سگف و مایکل لندن، از دانشگاه عبری اورشلیم، شبکه‌ی عصبی عمیقی را آموزش دادند تا محاسبات نورون زیستی شبیه‌سازی‌شده را تقلید کند. آن‌ها نشان دادند که شبکه عصبی برای نمایش پیچیدگی یک نورون زیستی، به ۵ تا ۸ لایه از نورون‌های به‌هم‌پیوسته نیاز دارد.

حتی خود نویسندگان همچنین پیچیدگی را پیش‌بینی نمی‌کردند. بنیاگوئف می‌گوید: «فکر می‌کردم ساده‌تر و کوچک‌تر باشد.» انتظار او این بود که سه تا چهار لایه برای دستیابی به محاسباتی که درون سلول انجام می‌شود، کافی باشد.

تیموتی لیلیکرپ که الگوریتم‌های تصمیم‌گیری را در شرکت دیپ‌مایند گوگل طراحی می‌کند، با اشاره به نتایج مطالعه می‌گوید: «شاید لازم باشد در مورد سنت قدیمی مقایسه‌ی تقریبی نورون مغز با نورون تعریف‌شده در یادگیری ماشین تجدید نظر کنیم.»

اساسی‌ترین قیاس میان نورون‌های مصنوعی و واقعی، شامل نحوه‌ی مدیریت اطلاعات ورودی است. هر دو نوع نورون سیگنال‌های ورودی را دریافت می‌کنند و بر اساس این اطلاعات تصمیم می‌گیرند که سیگنال خود را به نورون‌های دیگر ارسال کنند یا نه. نورون‌های مصنوعی برای این تصمیم‌گیری بر محاسبه‌ی ساده‌ای متکی هستند؛ اما ده‌ها سال پژوهش نشان داده این فرایند در نورون‌های زیستی بسیار پیچیده‌تر است.

دانشمندان علوم اعصاب محاسباتی برای مدل‌سازی رابطه‌ی ورودی‌های دریافت‌شده توسط شاخه‌های بلند درخت‌مانند نورون که دندریت نامیده می‌شود و تصمیم نورون برای ارسال سیگنال، از نوعی تابع ورودی-خروجی استفاده می‌کنند. این تابع همان چیزی است که نویسندگان مطالعه جدید به‌منظور تعیین پیچیدگی نورون زیستی، آن را به شبکه عصبی عمیق مصنوعی آموزش دادند.

پژوهشگران کار خود را با ایجاد شبیه‌سازی عظیمی از تابع ورودی-خروجی نوعی نورون با درختان متمایز از شاخه‌های دندریتیک در پایین و بالای آن که به «نورون هرمی» معروف است، شروع کردند که مربوط به قشر مغز موش صحرایی بود. آن‌ها سپس شبیه‌سازی را وارد شبکه عصبی عمیق کردند که در هر لایه حداکثر ۲۵۶ نورون مصنوعی داشت. پژوهشگران افزایش تعداد لایه‌ها را ادامه دادند تا به دقت ۹۹ درصد در سطح میلی‌ثانیه بین ورودی و خروجی نورون شبیه‌سازی‌شده دست پیدا کردند. شبکه عصبی عمیق با موفقیت رفتار تابع ورودی-خروجی را با حداقل ۵ (اما نه بیشتر از ۸) لایه مصنوعی پیش‌بینی کرد که در بیشتر شبکه‌ها تقریبا معادل ۱۰۰۰ نورون مصنوعی برای فقط یک نورون زیستی بود.

پیچیدگی محاسباتی یک نورون واحد مانند نورون هرمی در سمت چپ، متکی بر شاخه‌های دندریتی است که با سیگنال‌های ورودی بمباران می‌شوند. این‌ امر به تغییرات ولتاژ موضعی منجر می‌شود که با تغییر رنگ نورون‌ها نشان داده شده است (قرمز یعنی ولتاژ بالا و آبی یعنی ولتاژ پایین). قبل از اینکه نورون تصمیم بگیرد سیگنال خود را ارسال کند، سه بار افزایش ولتاژ را تجربه می‌کند. این پدیده در شاخه‌های انفرادی در سمت راست نشان داده شده است که در آن رنگ‌ها مکان دندریت‌ها را از بالا (قرمز) به پایین (آبی) نشان می‌دهند.

به گفته‌ی آندریاس تولیاس، دانشمند عصب‌شناسی محاسباتی در کالج پزشکی بیلور، نتیجه مطالعه‌ی جدید ارتباطی میان نورون‌های زیستی و نورون‌های مصنوعی ایجاد می‌کند؛ اما نویسندگان مطالعه هشدار می‌دهند که هنوز نورون‌های توصیف‌شده به‌طور دقیق نماینده نورون‌های زیستی نیستند. لندن می‌گوید: «رابطه میان تعداد لایه‌هایی که در شبکه عصبی دارید و پیچیدگی شبکه آشکار نیست.» بنابراین واقعا نمی‌توانیم بگوییم مثلاً با رفتن از چهار لایه به پنج لایه، چقدر پیچیدگی بیشتری خواهیم داشت. همچنین نمی‌توانیم بگوییم نیاز به ۱۰۰۰ نورون مصنوعی به این معنا است که نورون زیستی دقیقا ۱۰۰۰ برابر پیچیده است.

ممکن است استفاده از نورون‌های بیشتر درون هر لایه درنهایت به شبکه عصبی عمیقی با یک لایه منجر شود؛ اما احتمالا برای یادگیری الگوریتم به داده‌ها و زمان بسیاری بیشتری نیاز خواهد داشت. لندن می‌گوید: «معماری‌های بسیار زیادی را با اعماق زیاد و عوامل مختلف امتحان کردیم و در بیشتر موارد شکست خوردیم.»

نویسندگان کد خود را برای تشویق پژوهشگران دیگر برای یافتن راه‌ حل هوشمندانه‌ای با استفاده از لایه‌های کمتر به اشتراک گذشته‌اند؛ اما با توجه به دشواری یافتن شبکه عصبی عمیقی که بتواند با دقت ۹۹ درصد از نورون تقلید کند، نویسندگان اطمینان دارند نتیجه‌ی آن‌ها مقایسه‌ی معناداری برای پژوهش‌های بیشتر ارائه می‌دهد.

نویسندگان همچنین امیدوار هستند نتایج آن‌ها معماری کنونی شبکه‌های عمیق پیشرفته را در هوش مصنوعی تغییر بدهد. سگف می‌گوید: «می‌خواهیم فناوری کنونی شبکه‌های عمیق با چیزی جایگزین شود که به کار مغز نزدیک‌تر شود.» آن‌ها پیشنهاد می‌کنند که هر واحد ساده در شبکه‌های عمیق امروزی با واحدی جایگزین شود که نشانگر یک نورون است. در این سناریوی جایگزین، پژوهشگران و مهندسان هوش مصنوعی می‌توانند یک شبکه عمیق ۵ لایه را به‌عنوان شبکه کوچکی برای جایگزینی هر نورون مصنوعی اضافه کنند.

اما برخی پژوهشگران دراین‌باره تردید دارند که آیا این کار واقعا برای هوش مصنوعی سودی دارد. آنتونی زادور، عصب‌شناس آزمایشگاه کولد اسپرینگ هاربر آمریکا، می‌گوید این موضوع سؤالی بی‌جواب است و پژوهش جدید اساسی برای آزمایش آن فراهم می‌کند.

خارج از کاربردهای هوش مصنوعی، مقاله‌ی جدید همچنین توافق‌ نظر دانشمندان را در رابطه‌ با قدرت محاسباتی درختان دندریتیک و به نیابت از آن، نورون‌های انفرادی تقویت می‌کند. در سال ۲۰۰۳، سه نفر از دانشمندان علوم اعصاب با مدل‌سازی آن به شکل شبکه عصبی دو لایه، نشان دادند درختان دندریتیک نورون هرمی محاسبات پیچیده‌ای انجام می‌دهند.

در مقاله جدید، نویسندگان بررسی کردند که کدام ویژگی‌های نورون هرمی الهام‌بخش پیچیدگی بسیار بیشتر شبکه‌های عصبی عمیق ۵ تا ۸ لایه‌ی آن‌ها بوده است. آن‌ها نتیجه‌گیری کردند که این پیچیدگی حاصل درختان دندریتیک و گیرند‌ه‌ی خاصی است که پیام‌های شیمیایی را روی سطح دندریت‌ها دریافت می‌کند. این یافته‌ها با کارهای گذشته در این زمینه سازگار بود.

برخی براین باورند که نتیجه‌ی کار جدید به این معنا است که دانشمندان عصب‌شناس باید مطالعه نورون‌های واحد را در اولویت بیشتری قرار بدهند. کنراد کوردینگ، متخصص عصب‌شناسی محاسباتی در دانشگاه پنسیلوانیا، می‌گوید: «این مقاله موجب می‌شود تفکر در مورد دندریت‌ها و نورون‌های انفرادی بسیار مهم‌تر از گذشته شود.»

دیگران مانند لیلیکرپ و زادور پیشنهاد می‌کنند که تمرکز روی نورون‌ها درون یک مدار برای یادگیری اینکه مغز چگونه از پیچیدگی‌های محاسباتی نورون‌های واحد استفاده می‌کند، اهمیت فراوانی دارد.

در هر صورت، زبان شبکه‌های عصبی ممکن است بینش جدیدی در مورد قدرت نورون‌ها و درنهایت مغز فراهم کند. گریس لیندسی، دانشمند عصب‌شناسی محاسبانی در کالج دانشگاهی لندن، می‌گوید: «تفکر بر اساس لایه‌ها و عمق و عرض به ما حس شهودی از پیچیدگی محاسباتی می‌دهد.» لیندسی همچنین هشدار می‌دهد که کار جدید هنوز یک مدل را با مدل دیگر مقایسه می‌کند.

متأسفانه در حال‌ حاضر برای عصب‌شناسان غیر ممکن است که تابع ورودی خروجی کامل یک نورون را ثبت کنند؛ بنابراین ممکن است در نورون زیستی اتفاقات بیشتری رخ بدهد که هنوز نمی‌دانیم. به عبارت‌ دیگر، نورون‌های واقعی ممکن است پیچیده‌تر باشند. لندن می‌گوید: «مطمئن نیستیم که بین ۵ تا ۸، واقعا عدد نهایی قرار داشته باشد.»