چگونه مغز در کسری از زمان با اطلاعات جدید همگام میشود؟ رمز انعطافپذیری شناختی در پویایی شبکههای عصبی
چگونه مغز در کسری از زمان با اطلاعات جدید همگام میشود؟ رمز انعطافپذیری شناختی در پویایی شبکههای عصبی
مغز برای سازگاری با اطلاعات جدید، الزاماً به تغییر سختافزار عصبی خود نیاز ندارد؛ بلکه میتواند با تغییر ورودیها و وضعیت اولیهی شبکههای عصبی، همان مدار را برای انجام محاسبات متفاوت بازتنظیم کند. این ایده یکی از جذابترین مفاهیم در علوم اعصاب محاسباتی (Computational Neuroscience) است؛ زیرا نشان میدهد انعطافپذیری شناختی چگونه میتواند در مقیاسی بسیار سریعتر از تغییرات ساختاری مغز رخ دهد.
پژوهشی از دانشمندان MIT به سرپرستی مهداد جزایری (Mehrdad Jazayeri) و با نویسندگی Evan D. Remington، Devika Narain و Eghbal A. Hosseini نشان داد که مغز برای انجام انعطافپذیر محاسبات حسی-حرکتی (Sensorimotor Computations) میتواند پویایی فعالیت جمعیتهای نورونی را بهسرعت بازپیکربندی کند. این مطالعه در سال ۲۰۱۸ در مجلهی معتبر Neuron منتشر شد. (PubMed Central (PMC))
نکتهی شگفتانگیز اینجاست: مغز برای تولید یک رفتار جدید، لزوماً «مدار جدیدی» نمیسازد؛ بلکه میتواند از همان زیرساخت عصبی موجود، با تغییر ورودی و شرایط اولیه (Initial Conditions)، محاسبهای متفاوت استخراج کند.
مغز چگونه بدون تغییر سختافزار، رفتار خود را تغییر میدهد؟
اگر یک رایانه را در نظر بگیریم، برای انجام محاسبات مختلف میتوان از یک سختافزار ثابت، اما با برنامهها و ورودیهای متفاوت استفاده کرد. در مغز نیز ظاهراً چیزی مشابه رخ میدهد؛ البته نه به معنای وجود یک «نرمافزار» جدا از شبکهی عصبی.
در چارچوب سیستمهای دینامیکی (Dynamical Systems)، وضعیت شبکهی عصبی در هر لحظه حاصل تعامل میان فعالیت نورونها و ورودیهای دریافتشده از محیط است.
به بیان ساده، میتوان وضعیت جمعیت نورونی را مانند نقطهای در یک فضای چندبعدی تصور کرد. این نقطه در طول زمان حرکت میکند و مسیر آن، یعنی trajectory عصبی یا مسیر عصبی (Neural Trajectory)، بخشی از محاسبهای است که مغز انجام میدهد.
بنابراین، یک محاسبهی خاص الزاماً به یک مدار کاملاً متفاوت نیاز ندارد. کافی است شبکه از نقطهی دیگری شروع کند یا ورودی متفاوتی دریافت کند تا مسیر فعالیت آن تغییر کند.
این نگاه، تفاوت بسیار مهمی با تصور کلاسیک «هر عملکرد = یک ناحیهی خاص مغز» دارد.
در این دیدگاه، محاسبه حاصل پویایی شبکه است، نه صرفاً فعالیت یک ناحیه یا یک نورون منفرد.
آزمایش «آماده، تنظیم، حرکت» چه چیزی را آشکار کرد؟
پژوهشگران برای بررسی این مسئله از یک تکلیف زمانبندی موسوم به Ready, Set, Go استفاده کردند.
میمونها ابتدا یک نشانهی بصری با عنوان Ready و سپس نشانهی دیگری با عنوان Set دریافت میکردند. فاصلهی زمانی میان این دو نشانه متغیر بود و حیوان باید این فاصله را اندازهگیری میکرد.
سپس باید پس از نشانهی Set، حرکتی را در زمان مناسب انجام میداد.
اما یک چالش مهم وجود داشت: حیوان در برخی شرایط باید فاصلهی Set-Go را برابر با فاصلهی Ready-Set قرار میداد و در شرایط دیگر باید آن را ۱٫۵ برابر میکرد.
یعنی اگر فاصلهی Ready-Set برابر با ۸۰۰ میلیثانیه بود، حیوان باید در یک زمینهی آزمایشی حدود ۸۰۰ میلیثانیه و در زمینهی دیگر حدود ۱۲۰۰ میلیثانیه بعد حرکت میکرد.
در آزمایش واقعی، فاصلهی نمونه بین ۰٫۵ تا ۱ ثانیه تغییر میکرد و ضریب نیز میان ۱ و ۱٫۵ تغییر میکرد. (PubMed Central (PMC))
پس مغز حیوان باید دو نوع اطلاعات را همزمان ترکیب میکرد:
اطلاعات حسی جدید: فاصلهی زمانی میان Ready و Set چقدر بود؟
دانش یا وضعیت داخلی: اکنون باید از ضریب ۱ استفاده کنم یا ۱٫۵؟
همین ترکیب، قلب مسئلهی انعطافپذیری شناختی (Cognitive Flexibility) را تشکیل میدهد.
دو اهرم برای کنترل یک شبکهی عصبی
یکی از مهمترین یافتههای مطالعه این بود که پژوهشگران توانستند فعالیت قشر پیشانی میانی پشتی، یا Dorsomedial Frontal Cortex (DMFC)، را با زبان سیستمهای دینامیکی توصیف کنند.
در این مدل، دو عامل اصلی برای بازتنظیم محاسبه وجود داشت:
ورودی خارجی یا Context-dependent Input
شرایط اولیهی شبکه یا Initial Condition
این دو مکانیسم را میتوان با دو استعارهی بسیار ساده توضیح داد:
سوئیچ
تصور کنید یک دستگاه صوتی دارید که با یک سوئیچ، حالت عملکرد آن را تغییر میدهید.
در مغز، اطلاعات مربوط به زمینه یا ضریب (Gain) میتواند مانند یک سوئیچ عمل کند و شبکهی عصبی را در یک وضعیت محاسباتی خاص قرار دهد.
در آزمایش، یکی از زمینهها ضریب ۱ و دیگری ضریب ۱٫۵ داشت.
بنابراین، مغز باید ابتدا بفهمد «قانون فعلی بازی چیست؟»
صفحهی تنظیم
اما دانستن قانون کافی نیست.
مغز باید مقدار دقیق فاصلهی زمانی Ready-Set را نیز در محاسبه وارد کند.
این اطلاعات، وضعیت اولیهی شبکهی عصبی را تنظیم میکند.
در نتیجه، دو مکانیسم مکمل شکل میگیرند:
ورودی زمینهای ← انتخاب نوع محاسبه
شرایط اولیه ← تعیین مقدار محاسبه
این همان چیزی است که پژوهشگران بهعنوان یک اصل محاسباتی برای بازپیکربندی سریع پویایی قشری (Rapid Reconfiguration of Cortical Dynamics) معرفی کردند. (PubMed Central (PMC))
چرا مسیر فعالیت نورونها مهمتر از فعالیت یک نورون منفرد است؟
یکی از مفاهیم کلیدی برای درک این پژوهش، Neural Population Dynamics یا «پویایی جمعیت نورونی» است.
مغز از میلیاردها نورون تشکیل شده و اطلاعات معمولاً در فعالیت جمعی گروههای بزرگی از نورونها رمزگذاری میشود.
در چنین سیستمی، پرسش مهم دیگر این نیست که:
«کدام نورون مسئول زمانسنجی است؟»
بلکه پرسش دقیقتر این است:
«جمعیت نورونی چگونه در فضای حالت خود حرکت میکند و چگونه مسیر این حرکت توسط ورودیها و وضعیت اولیه تغییر میکند؟»
پژوهشگران مشاهده کردند که فعالیت عصبی در قشر پیشانی را میتوان بهصورت مسیرهایی در یک فضای حالت چندبعدی توصیف کرد.
فواصل زمانی مختلف، مسیرهای متفاوتی ایجاد میکردند و زمینههای مختلف نیز سازمان این مسیرها را تغییر میدادند.
این یافته اهمیت زیادی دارد؛ زیرا نشان میدهد اطلاعات موجود در مغز ممکن است در یک «سلول منفرد» قابل مشاهده نباشد، اما در هندسهی جمعیت نورونی آشکار شود.
به همین دلیل، روشهایی مانند Targeted Dimensionality Reduction و تحلیل فضای حالت در سالهای اخیر به ابزارهای مهمی در علوم اعصاب سیستمها (Systems Neuroscience) تبدیل شدهاند. (PubMed Central (PMC))
مغز سرعت محاسبه را نیز تغییر میدهد
یکی از جذابترین جنبههای این پژوهش آن است که مغز فقط «مقدار» فعالیت عصبی را تغییر نمیدهد؛ بلکه میتواند سرعت تکامل الگوهای فعالیت عصبی در طول زمان را نیز تنظیم کند.
تصور کنید دو قطار دقیقاً روی یک مسیر حرکت میکنند، اما یکی سریعتر و دیگری آهستهتر حرکت میکند.
مسیر کلی ممکن است مشابه باشد، اما سرعت پیمودن آن متفاوت است.
در شبکهی عصبی نیز تغییر شرایط اولیه و ورودی میتواند باعث شود فعالیت نورونی با سرعت متفاوتی در فضای حالت پیش برود.
این مکانیسم به مغز اجازه میدهد همان زیرساخت عصبی را برای تولید حرکات با زمانبندی متفاوت به کار گیرد.
مطالعات این گروه و کارهای بعدی در حوزهی motor timing نشان دادهاند که میتوان چنین محاسباتی را با چارچوب Neural Dynamics و مدلهای شبکهی عصبی بازگشتی یا Recurrent Neural Networks (RNNs) نیز مطالعه کرد. (PubMed Central (PMC))
یک نکتهی مهم دربارهی «انعطافپذیری شناختی»
وقتی از انعطافپذیری شناختی صحبت میکنیم، ممکن است تصور کنیم مغز ابتدا اطلاعات جدید را دریافت میکند، سپس مدارهای عصبی را تغییر میدهد و بعد رفتار جدید ایجاد میشود.
اما این مطالعه تصویر ظریفتری ارائه میکند.
برای بسیاری از تغییرات سریع رفتاری، مغز به تغییر ساختاری فوری نیاز ندارد.
شبکهای که همین چند لحظه قبل برای یک محاسبه استفاده میشد، میتواند با تغییر ورودیها و شرایط اولیه، وارد رژیم دینامیکی دیگری شود.
البته این موضوع به معنای بیاهمیت بودن پلاستیسیته عصبی (Neuroplasticity) نیست.
پلاستیسیته برای یادگیری و تغییرات پایدار در شبکههای عصبی اهمیت بنیادی دارد؛ اما این پژوهش بر یک سطح متفاوت از انعطافپذیری تمرکز میکند: بازپیکربندی سریع عملکرد یک مدار عصبی موجود.
این تمایز از نظر علوم اعصاب بسیار مهم است.
از «نورون» به «الگوریتم عصبی»
شاید بزرگترین ارزش این پژوهش در این باشد که یک پل میان سه سطح مختلف ایجاد میکند:
رفتار → محاسبه → نوروبیولوژی
ما در سطح رفتاری میبینیم که حیوان میتواند قوانین یک وظیفه را تغییر دهد و رفتار خود را متناسب با آن تنظیم کند.
در سطح محاسباتی میتوان این عملکرد را با مفاهیمی مانند gain، input، initial condition، state space و dynamical system توصیف کرد.
در سطح نوروبیولوژیک نیز میتوان بررسی کرد که چگونه فعالیت جمعیت نورونی در قشر پیشانی این محاسبات را پیادهسازی میکند.
این اتصال سهسطحی همان چیزی است که جزایری و همکاران آن را نوعی پل میان رفتار و نوروبیولوژی میدانند. (Neuroscience News)
آیا این یافته دربارهی تصمیمگیری انسان هم صدق میکند؟
اینجا باید محتاط باشیم.
مطالعهی اصلی روی میمونها انجام شد و مستقیماً نشان نمیدهد که تمام سازوکارهای انعطافپذیری شناختی در انسان دقیقاً با همین معماری کار میکنند.
اما از منظر نظری، یافتهها اهمیت گستردهای دارند.
انسان دائماً مجبور است اطلاعات جدید را با دانش قبلی ترکیب کند:
وقتی قوانین یک بازی تغییر میکند، مغز باید راهبرد خود را تغییر دهد.
وقتی رانندگی وارد یک موقعیت غیرمنتظره میشود، مغز باید اطلاعات حسی جدید را با مدل درونی خود از محیط ترکیب کند.
وقتی فرد متوجه میشود یک فرض قبلی اشتباه بوده است، باید رفتار خود را بدون بازسازی کامل سیستم عصبی تغییر دهد.
در همهی این موقعیتها، مفهوم context-dependent processing اهمیت پیدا میکند؛ یعنی مغز تنها به محرک فعلی پاسخ نمیدهد، بلکه آن را در چارچوب وضعیت و دانش قبلی تفسیر میکند.
از سیستمهای دینامیکی تا هوش مصنوعی
این پژوهش تنها برای درک مغز اهمیت ندارد.
یکی از پرسشهای مهم در هوش مصنوعی و شبکههای عصبی مصنوعی نیز این است که چگونه یک سیستم میتواند با یک معماری نسبتاً ثابت، محاسبات متنوعی انجام دهد.
مدلهای Recurrent Neural Network در همین پژوهش برای بررسی اصول بهدستآمده مورد استفاده قرار گرفتند و مدلهایی که ورودی زمینهای را بهصورت پایدار دریافت میکردند، با دادههای نوروفیزیولوژیک سازگاری بیشتری نشان دادند. (PubMed Central (PMC))
از این منظر، مغز یک سیستم محاسباتی بسیار جذاب است:
سختافزار ثابتتر، حالتهای متعدد، ورودیهای متغیر و رفتارهای انعطافپذیر.
این دقیقاً همان مسئلهای است که Computational Neuroscience تلاش میکند آن را با زبان ریاضیات و مدلسازی توضیح دهد.
هنوز چه چیزهایی را نمیدانیم؟
با وجود اهمیت این یافتهها، یک سؤال اساسی همچنان باقی است:
اطلاعات مربوط به زمینه یا قانون فعلی چگونه به قشر پیشانی میرسد؟
همچنین هنوز باید مشخص شود که هنگام یادگیری یک وظیفهی جدید، چه تغییراتی در نورونها و شبکههای عصبی رخ میدهد تا سیستم بتواند بعداً همان وظیفه را با انعطافپذیری انجام دهد.
بنابراین، پژوهش حاضر را نباید «پاسخ نهایی» به معمای انعطافپذیری مغز دانست.
اهمیت واقعی آن در ارائهی یک اصل محاسباتی قابلآزمایش است.
یعنی به جای اینکه تنها بگوییم «قشر پیشانی مسئول انعطافپذیری است»، میتوانیم سؤال دقیقتری مطرح کنیم:
چه تغییراتی در ورودیها و شرایط اولیهی یک سیستم دینامیکی عصبی رخ میدهد که باعث میشود همان شبکه، محاسبهای متفاوت انجام دهد؟
این تغییر از یک توصیف کلی به یک فرضیهی مکانیکی و ریاضی، یکی از نقاط قوت اصلی این رویکرد است.
جمعبندی؛ مغز یک سختافزار ثابت با حالتهای بیشمار نیست، بلکه یک سیستم دینامیکی زنده است
مطالعهی Remington و همکاران نشان میدهد که انعطافپذیری شناختی و حسی-حرکتی را میتوان از منظر پویایی جمعیتهای عصبی فهمید.
مغز برای واکنش سریع به اطلاعات جدید الزاماً مجبور نیست ساختار خود را از نو بسازد. در عوض، میتواند با تنظیم ورودیهای خارجی، وضعیتهای داخلی، شرایط اولیه و سرعت تکامل فعالیت عصبی، یک شبکهی عصبی را به سمت محاسبات متفاوت هدایت کند.
در این نگاه، مغز نه مجموعهای از مدارهای کاملاً جدا از هم، بلکه یک سیستم دینامیکی بسیار پیچیده و قابل بازپیکربندی است.
شاید بتوان پیام اصلی این پژوهش را در یک جمله خلاصه کرد:
مغز برای تغییر رفتار، همیشه مدار جدید نمیسازد؛ گاهی فقط مسیر حرکت همان مدار را تغییر میدهد.
و این شاید یکی از زیباترین درسهای علوم اعصاب محاسباتی باشد:
انعطافپذیری مغز نه فقط در ساختار آن، بلکه در توانایی شگفتانگیز شبکههای عصبی برای تغییر حالت، مسیر و سرعت محاسبه نهفته است.
منبع پژوهش:
Remington ED, Narain D, Hosseini EA, Jazayeri M. Flexible Sensorimotor Computations through Rapid Reconfiguration of Cortical Dynamics. Neuron. 2018;98(5):1005–1019.e5. DOI: 10.1016/j.neuron.2018.05.020. (PubMed Central (PMC))
ورود/ ثبت نام با جیمیل
