마이클 E 루트 박사 티머시 오리어리는 뉴런(뇌를 작동시키는 세포)은 뉴런의 입력 일부가 변화했을 때를 감지해 뉴런이 다른 뉴런에 미치는 영향의 강도를 조정하고 보상해 주고 내부 학습의 형태를 지탱할 수 있다고 주장한다.
이러한 신경 코드의 변화는, 공통의 생각이나 개념을 충실히 전하면서, 시간의 경과에 따라 언어가 서서히 변화해 가는 방법과 유사합니다라고, 공학부의 레버흄 조기 캐리어 펠로우인 룰 박사는 말합니다.
뇌의 일부는 플라스틱으로 빠르게 변화하지만 다른 부분은 장기적인 안정성을 보이고 있다. 그렇다면 신경회로는 그들이 이미 배운 것을 계속적으로 재학습할 필요 없이 어떻게 서로 대화하는 것일까요? 인지장애인과 장애인을 위한 보조생활기기로 점점 더 사용되고 있는 뇌-기계 인터페이스조차 표류와 싸워야 한다.
연구자들은 단일 세포 내 항상성 과정이 뇌가 변화할 때 스스로를 관찰하는 데 도움이 되며 내부에서 생성되는 신호는 안정적인 신경 집단이 불안정한 신호를 추적하는 방법을 학습하는 데 도움이 된다고 주장한다. 연구자들은 모델화와 살아있는 뇌 활동의 데이터/관찰을 바탕으로 이 추측을 실시했다.
기술자들이 신경 표현이 변화함에 따라 자동적으로 추적하는 기계학습 알고리즘을 현재 어떻게 개발하고 있는지에 대해 연구자들은 이런 알고리즘과 유사한 것이 뇌에서도 잘 알려진 학습 규칙과 항상성 프로세스에서 나올 수 있다고 제안하고 있다.
루르 박사는 이는 플라스틱과 안정된 신경 집단이 어떻게 뇌에 공존할 수 있는지를 설명해 주는 것이라고 말했다. 대표적 표류는 학습과 기억에 큰 역할을 하는 뇌의 일부인 해마에서 일어나 지각과 통합에 관여하는 두정 피질로 일어나는 것처럼 보인다는 것은 이미 알고 있습니다. 우리가 제안하는 것은 이 가소성을 뇌의 장기적인 안정성과 양립시키는 데 도움이 되는 몇 가지 특정한 메커니즘입니다.
공대 부교수인 올리 박사는 이 연구는 지속적인 학습에서 표류가 발생할 수 있다는 생각을 강조하고 있다고 말했다.
그는 인공지능에는 대답할 수 없는 큰 도전이 있지만 그것은 이전에 학습한 정보를 파괴하지 않고 지속적으로 학습할 수 있는 알고리즘을 구축하는 문제라고 말했다.
뇌는 분명히 이를 달성했고 이 연구는 똑같이 할 수 있는 알고리즘을 찾는 방향으로의 첫걸음입니다.
셀프 힐링 코드: 어떻게 안정된 신경모 집단이 지속적으로 재구성된 신경 표현을 추적할 수 있는가.
적응 시스템으로서 뇌는 새로운 정보를 지속적으로 통합하면서 세계를 충실히 표현해야 한다. 최근의 실험은 피질과 해마 회로의 개체군 활동을 며칠 동안 측정하였으며, 고정된 행동 변수와 지각에 관련된 신경 활동 패턴이 시간이 지남에 따라 극적으로 변화하는 것을 발견했다.
이러한 표현 드리프트는, 가단모 집단 코드가 다른 회로에서 발견되어 주변 감각과 운동 신호의 비교적 엄격한 지형 매핑을 가지는 안정적인 장기 표현과 어떻게 일관해서 상호 작용할 수 있는가 하는 문제를 제기한다. 알려진 가소성 메커니즘에 의해 단일 뉴런이 외부 오류 피드백 없이 진화하는 모집단 코드를 확실하게 읽어낼 수 있는 방법을 탐구한다.
헤브 학습과 단세포 항상성 사이의 상호작용이 분산 모집단 코드의 중복성을 이용하여 조정의 점진적인 변화를 보상할 수 있음을 발견했다. 부분적으로 안정화된 반복 피드백으로 판독 셀 풀은 표현 드리프트에 의해 야기되는 부정합을 더욱 수정할 수 있습니다.
이는 비교적 단순하다고 알려진 메커니즘이 단기적으로 신경 튜닝을 안정시킬 수 있음을 보여주며 플라스틱 신경 코드가 통합된 장기 표현과 통합되는 방법에 대해 그럴듯한 설명을 제공한다.