Las neuronas y su modelado.

Recientemente escribí un artículo sobre cómo funciona la memoria en el cerebro . Algunos comentarios dicen que no revelé suficientemente el tema de las características de una neurona biológica. Y decidí arreglar mi error.

Este artículo es una lista de los principales mecanismos que distinguen a las neuronas biológicas de un modelo simple con pesos de enlace y un umbral de activación. Le diré cómo corregir el modelo si necesita tener en cuenta estas características.

Comenzamos aquí con esta simple imagen:

1. Tenemos diferentes neuronas

Problema: Hay muchos tipos de neurotransmisores en el cerebro, y cada neurona tiene su propio conjunto de receptores.


Solución: Colorea las bolas de neuronas, resaltando así las que responden a un neurotransmisor específico. Si necesita varios neurotransmisores para una neurona, píntelo en varios colores. Si cada neurotransmisor a su manera afecta la carga de la neurona, cree una función de la carga de la neurona para cada neurotransmisor. Describa una neurona con la composición de estas funciones.

2. Una carga se escapa de las neuronas

Problema: una neurona real no almacena todas las partículas cargadas durante un tiempo infinito, sino que se descarga gradualmente.

Solución: establezca la función de descarga de la neurona de vez en cuando. Si es necesario, puede tener uno para cada neurona. Pero, en general, la carga se pierde debido a la diferencia de potencial, por lo que la situación allí es como con un condensador de autodescarga: tendremos algo como:$$$U(t) = U_0*e^{-t/RC}$donde U es la diferencia potencial entre la neurona y el ambiente, t es el tiempo, R es la resistencia de la membrana, C es la capacidad del sistema neurona-membrana-ambiente. Por cierto, esto ya se ha hecho .

3. Las neuronas pueden activarse sin señal de otras neuronas

Problema: dado que la neurona real no está preocupada por el origen de los neurotransmisores, puede activarse por sí misma, simplemente por la liberación de neurotransmisores en el cerebro.

Solución: agregue algo que, cuando se active, aumente la carga de todas las neuronas. Coloréalo del color del neurotransmisor deseado. Actívelo cuando necesite simular una fuente externa de neurotransmisor.

4. Hay neuronas que no tienen dendritas.

Problema: algunas neuronas no reciben una señal de entrada de otras, activándose solo desde el nivel de neurotransmisores.

Solución: Ver párrafo anterior.

5. Neurogénesis

Problema: nuevas neuronas y conexiones crecen en el cerebro. Y mueren, por cierto, también.

Solución: Agregue dinámicamente nuevas neuronas y conexiones si necesita simular la neurogénesis. Para simular el proceso inverso: elimine.

6. Conexiones entre neuronas - no estáticas

Problema: cuando las neuronas se activan, las conexiones entre ellas se fortalecen o debilitan. Depende del orden de activación. Si la dirección de activación es directa, es decir primero, se activa una neurona de la que sale la flecha, y luego la que ingresa; la conexión se fortalece. Si lo contrario se está debilitando.

Solución: reduzca o aumente el peso de la conexión, según el orden de activación. Y sí, el peso puede ser cero. Esto significa que la conexión es tan débil que la activación de una neurona no afecta a la otra. Pero potencialmente, podemos mejorar esta conexión a través de activaciones directas desde el exterior, por lo tanto, no puede simplemente eliminarla.

7. memoria a largo plazo

Problema: el cerebro real puede "arreglar" el estado de comunicación y, por lo tanto, asegura la disponibilidad de memoria a largo plazo. El proceso se llama Potenciación tardía a largo plazo.

Solución: recuerde el valor del peso al momento de "arreglar" la conexión. Devuelva la fuerza de la conexión después de fortalecer o debilitar la conexión. Si la conexión se repara nuevamente, actualice el valor guardado.

8. Olvidar información de la memoria a largo plazo.

Problema: el cerebro real puede degradar incluso las conexiones recibidas por el mecanismo anterior.

Solución: ejecute la degradación de la comunicación utilizando el mecanismo de la cláusula 6. (activación en la dirección opuesta del orden de comunicación) y registrar el resultado usando la cláusula 7.

9. Sustancias

Problema: los titulares de cerebros reales a veces comen píldoras que regulan los neurotransmisores naturales o son sus contrapartes estructurales. Por ejemplo, los antidepresivos ISRS aumentan la cantidad de serotonina que actúa sobre las neuronas y bloquean los receptores de dopamina cerucal.

Solución: debilitar o amplificar todas las señales para las neuronas del color correspondiente. Por ejemplo, bloqueamos la dopamina: reducimos la carga de todas las neuronas de dopamina en un 90 por ciento. Tomamos un inhibidor de la recaptación de serotonina, aumentamos todos los enlaces de serotonina en un 30 por ciento. Tomamos un análogo estructural de la serotonina, lo incrementamos nuevamente, pero ya en 3 veces.

10. Cualquier otro problema

¿La neurona se carga no lineal? Cree una función y úsela para describir el aumento de carga. ¿Desea describir el efecto de otras entidades en las neuronas? Agréguelos a su modelo. La esencia no cambiará: siempre tendrás neuronas y conexiones entre ellas. Puede personalizar su comportamiento, según sus necesidades.

¿Quieres acercarlo a lo real? Una lista de los 9 puntos anteriores ayudará. No lo necesita, porque su tarea es reconocer las imágenes? Olvídate de todos estos matices. ¿Quieres un recuerdo similar a un recuerdo en un cerebro biológico? Considere los puntos 5 a 8. ¿No hay suficiente precisión? Profundiza en la neurociencia, baja otro nivel y refina el modelo. Modele la sinapsis, modele el comportamiento de los receptores. Hay espacio para maniobrar.

Ya se ha modelado mucho, puedes usar estos resultados. Tomó algo específico que ni yo ni nadie más describimos: hágalo usted mismo.

Pero, si no necesita tanta precisión, olvídalo. No es necesario que realices un exceso de ingeniería solo porque ahora tienes un conjunto de nuevos martillos brillantes. Esto es lo mismo que usar GR para simular una caída de ladrillos desde un edificio de nueve pisos. Sí, los efectos relativistas también funcionarán para este caso. Pero complicará seriamente su tarea y, a cambio, recibirá un aumento en la precisión de 0.0000001%.

Mantenlo simple y directo.

PD:
si desea ver un ejemplo del uso de dicho modelo, en este artículo modelé la memoria en un cerebro biológico utilizando algunos de los puntos enumerados anteriormente.