Нейронная сеть , также называемая биологической нейронной сетью , представляет собой взаимосвязанную популяцию нейронов (обычно содержащую несколько нейронных цепей ). [1] Биологические нейронные сети изучаются, чтобы понять организацию и функционирование нервной системы .
Тесно связаны искусственные нейронные сети , взаимосвязанные популяции искусственных нейронов или узлов , используемые для моделирования биологических систем или решения задач искусственного интеллекта .
Биологическая нейронная сеть состоит из группы химически связанных или функционально связанных нейронов. Один нейрон может быть связан со многими другими нейронами, и общее количество нейронов и связей в сети может быть большим. Соединения, называемые синапсами , обычно образуются от аксонов к дендритам , хотя возможны дендродендритические синапсы [2] и другие соединения. Помимо электрической передачи сигналов, существуют и другие формы передачи сигналов, возникающие в результате диффузии нейромедиаторов .
Искусственный интеллект, когнитивное моделирование и искусственные нейронные сети — это парадигмы обработки информации, вдохновленные тем, как биологические нейронные системы обрабатывают данные. Искусственный интеллект и когнитивное моделирование пытаются имитировать некоторые свойства биологических нейронных сетей. В области искусственного интеллекта искусственные нейронные сети успешно применяются для распознавания речи , анализа изображений и адаптивного управления , с целью создания программных агентов (в компьютерных и видеоиграх ) или автономных роботов .
Теория нейронных сетей помогла лучше понять, как функционируют нейроны мозга, и обеспечила основу для усилий по созданию искусственного интеллекта.
Предварительная теоретическая основа современных нейронных сетей была независимо предложена Александром Бэйном [3] (1873 г.) и Уильямом Джеймсом [4] (1890 г.). В их работе и мысли, и активность тела являются результатом взаимодействия нейронов внутри мозга.
По мнению Бэйна [3] , каждое действие приводило к срабатыванию определенного набора нейронов. Когда действия повторялись, связи между этими нейронами укреплялись. По его теории, именно это повторение и привело к формированию памяти. Научное сообщество в то время скептически относилось к теории Бейна [3] , поскольку она требовала, казалось бы, чрезмерного количества нейронных связей внутри мозга. Сейчас очевидно, что мозг чрезвычайно сложен и что одна и та же «проводка» мозга может обрабатывать множество задач и входных данных.
Теория Джеймса [4] была аналогична теории Бэйна; [3] однако он предположил, что воспоминания и действия возникают в результате электрических токов, протекающих между нейронами мозга. Его модель, фокусирующаяся на потоке электрических токов, не требовала отдельных нейронных связей для каждого воспоминания или действия.
Ч. С. Шеррингтон [6] (1898) провел эксперименты для проверки теории Джеймса. Он пропускал электрический ток по спинному мозгу крыс. Однако вместо того, чтобы продемонстрировать увеличение электрического тока, как прогнозировал Джеймс, Шеррингтон обнаружил, что сила электрического тока уменьшалась по мере продолжения испытаний с течением времени. Важно отметить, что эта работа привела к открытию концепции привыкания .
Маккалок и Питтс [7] (1943) также создали вычислительную модель нейронных сетей, основанную на математике и алгоритмах. Они назвали эту модель пороговой логикой. Эти ранние модели проложили путь к разделению исследований нейронных сетей на два разных подхода. Один подход был сосредоточен на биологических процессах в мозге, а другой — на применении нейронных сетей в искусственном интеллекте.
Параллельная распределенная обработка в середине 1980-х годов стала популярной под названием «коннекционизм» . Текст Румельхарта и Макклелланда [8] (1986) представляет собой полное изложение использования коннекционизма в компьютерах для моделирования нейронных процессов.
Искусственные нейронные сети, используемые в искусственном интеллекте, традиционно рассматривались как упрощенные модели нейронной обработки в мозге, хотя связь между этой моделью и биологической архитектурой мозга обсуждается, поскольку неясно, в какой степени искусственные нейронные сети отражают функция мозга. [9]
Теоретическая и вычислительная нейробиология — это область, занимающаяся анализом и компьютерным моделированием биологических нейронных систем. Поскольку нейронные системы тесно связаны с когнитивными процессами и поведением, эта область тесно связана с когнитивным и поведенческим моделированием.
Целью этой области является создание моделей биологических нейронных систем, чтобы понять, как работают биологические системы. Чтобы достичь этого понимания, нейробиологи стремятся установить связь между наблюдаемыми биологическими процессами (данными), биологически правдоподобными механизмами нейронной обработки и обучения (модели нейронных сетей) и теорией (статистическая теория обучения и теория информации ).
Используются многие модели; определены на разных уровнях абстракции и моделируют различные аспекты нейронных систем. Они варьируются от моделей кратковременного поведения отдельных нейронов через модели динамики нейронных цепей, возникающих в результате взаимодействия между отдельными нейронами, до моделей поведения, возникающих из абстрактных нейронных модулей, которые представляют собой целые подсистемы. К ним относятся модели долгосрочной и краткосрочной пластичности нейронных систем и их связи с обучением и памятью, от отдельного нейрона до системного уровня.
В августе 2020 года ученые сообщили, что двунаправленные связи или добавление соответствующих связей обратной связи могут ускорить и улучшить связь между модульными нейронными сетями коры головного мозга и снизить порог их успешного общения. Они показали, что добавление связей обратной связи между резонансной парой может способствовать успешному распространению одного импульсного пакета по всей сети. [10] [11]
Хотя первоначально исследования были связаны в основном с электрическими характеристиками нейронов, особенно важной частью исследований в последние годы было изучение роли нейромодуляторов, таких как дофамин , ацетилхолин и серотонин , на поведение и обучение. [ нужна цитата ]
Биофизические модели, такие как теория BCM , сыграли важную роль в понимании механизмов синаптической пластичности и нашли применение как в информатике, так и в нейробиологии. [ нужна цитата ]
Текст и изображения доступны по международной лицензии Creative Commons Attribution 4.0.