Нейронная сеть , также называемая нейронной сетью , представляет собой взаимосвязанную популяцию нейронов (обычно содержащую несколько нейронных цепей ). [1] Биологические нейронные сети изучаются для понимания организации и функционирования нервной системы .
Тесно связаны искусственные нейронные сети , модели машинного обучения, вдохновленные биологическими нейронными сетями. Они состоят из искусственных нейронов , которые являются математическими функциями , разработанными так, чтобы быть аналогичными механизмам, используемым нейронными цепями .
Биологическая нейронная сеть состоит из группы химически связанных или функционально ассоциированных нейронов. [2] Один нейрон может быть связан со многими другими нейронами, а общее количество нейронов и связей в сети может быть обширным. Связи, называемые синапсами , обычно образуются от аксонов к дендритам , хотя возможны дендродендритные синапсы [3] и другие связи. Помимо электрической сигнализации, существуют и другие формы сигнализации, возникающие в результате диффузии нейротрансмиттеров .
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 , чтобы создавать программных агентов (в компьютерных и видеоиграх ) или автономных роботов .
Теория нейронных сетей помогла лучше понять, как функционируют нейроны мозга, и заложила основу для усилий по созданию искусственного интеллекта.
Предварительная теоретическая база для современных нейронных сетей была независимо предложена Александром Бэйном [4] (1873) и Уильямом Джеймсом [5] (1890). В их работе и мысли, и активность тела являются результатом взаимодействия между нейронами в мозге.
Для Бэйна [4] каждая деятельность приводила к активации определенного набора нейронов. Когда деятельность повторялась, связи между этими нейронами усиливались. Согласно его теории, именно это повторение привело к формированию памяти. Научное сообщество в то время скептически относилось к теории Бэйна [4] , поскольку она требовала, по-видимому, чрезмерного количества нейронных связей в мозге. Теперь очевидно, что мозг чрезвычайно сложен и что одна и та же мозговая «проводка» может обрабатывать множество проблем и входов.
Теория Джеймса [5] была похожа на теорию Бэйна; [4] однако он предположил, что воспоминания и действия являются результатом электрических токов, текущих между нейронами в мозге. Его модель, фокусируясь на потоке электрических токов, не требовала отдельных нейронных связей для каждого воспоминания или действия.
CS Sherrington [7] (1898) провел эксперименты для проверки теории Джеймса. Он пропускал электрические токи по спинному мозгу крыс. Однако вместо того, чтобы продемонстрировать увеличение электрического тока, как предполагал Джеймс, Sherrington обнаружил, что сила электрического тока уменьшалась по мере продолжения тестирования с течением времени. Важно, что эта работа привела к открытию концепции привыкания .
Маккалок и Питтс [8] (1943) также создали вычислительную модель для нейронных сетей на основе математики и алгоритмов. Они назвали эту модель пороговой логикой. Эти ранние модели проложили путь к разделению исследований нейронных сетей на два отдельных подхода. Один подход был сосредоточен на биологических процессах в мозге, а другой — на применении нейронных сетей к искусственному интеллекту.
Параллельная распределенная обработка в середине 1980-х годов стала популярной под названием коннекционизм . Текст Румельхарта и Макклелланда [9] (1986) дал полное изложение использования коннекционизма в компьютерах для моделирования нейронных процессов.
Искусственные нейронные сети, используемые в искусственном интеллекте, традиционно рассматриваются как упрощенные модели нейронной обработки в мозге, хотя связь между этой моделью и биологической архитектурой мозга является предметом споров, поскольку неясно, в какой степени искусственные нейронные сети отражают функцию мозга. [10]
Теоретическая и вычислительная нейронаука — это область, связанная с анализом и вычислительным 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 для понимания того, 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 ).
Используется множество моделей; определенных на разных уровнях абстракции и моделирующих различные аспекты нейронных систем. Они варьируются от моделей краткосрочного поведения отдельных нейронов , через модели динамики нейронных цепей, возникающих из взаимодействий между отдельными нейронами, до моделей поведения, возникающих из абстрактных нейронных модулей, которые представляют собой полные подсистемы. Они включают модели долгосрочной и краткосрочной пластичности нейронных систем и их связь с обучением и памятью, от отдельного нейрона до системного уровня.
В августе 2020 года ученые сообщили, что двунаправленные соединения или добавленные соответствующие обратные связи могут ускорить и улучшить связь между и в модульных нейронных сетях коры головного мозга и снизить порог для их успешной коммуникации. Они показали, что добавление обратных связей между резонансной парой может поддерживать успешное распространение одного пакета импульсов по всей сети. [11] [12] Связность нейронной сети вытекает из ее биологических структур и обычно сложно отобразить экспериментально. Ученые использовали различные статистические инструменты, чтобы сделать вывод о связности сети на основе наблюдаемой нейронной активности, т. е. последовательностей спайков. Недавние исследования показали, что статистически выведенные нейронные связи в подвыборочных нейронных сетях сильно коррелируют с ковариациями последовательностей спайков, обеспечивая более глубокое понимание структуры нейронных цепей и их вычислительных свойств. [13]
Хотя изначально исследования были в основном посвящены электрическим характеристикам нейронов, особенно важной частью исследований в последние годы стало изучение роли нейромодуляторов, таких как дофамин , ацетилхолин и серотонин , в поведении и обучении. [ необходима ссылка ]
Биофизические модели, такие как теория BCM , сыграли важную роль в понимании механизмов синаптической пластичности и нашли применение как в компьютерной науке, так и в нейронауке. [ необходима ссылка ]
Текст и изображения доступны по лицензии Creative Commons Attribution 4.0 International.