Les neurones et leur modélisation

J'ai récemment écrit un article sur le fonctionnement de la mémoire dans le cerveau . Quelques commentaires ont dit que je n'avais pas suffisamment divulgué le sujet des caractéristiques d'un neurone biologique. Et j'ai décidé de réparer mon erreur.

Cet article est une liste des principaux mécanismes qui distinguent les neurones biologiques d'un modèle simple avec des poids de liaison et un seuil d'activation. Je vais vous dire comment corriger le modèle si vous avez besoin de prendre en compte ces fonctionnalités.

Nous commençons ici avec cette image simple:

1. Nous avons différents neurones

Problème: Il existe de nombreux types de neurotransmetteurs dans le cerveau et chaque neurone possède son propre ensemble de récepteurs.


Solution: Colorisez les boules de neurones, mettant ainsi en évidence celles qui répondent à un neurotransmetteur spécifique. Si vous avez besoin de plusieurs neurotransmetteurs pour un neurone - peignez-le en plusieurs couleurs. Si chaque neurotransmetteur affecte à sa manière la charge du neurone, créez une fonction de la charge du neurone pour chaque neurotransmetteur. Décrivez un neurone avec la composition de ces fonctions.

2. Une charge s'échappe des neurones

Problème: un vrai neurone ne stocke pas toutes les particules chargées pendant une durée infinie, mais se décharge progressivement.

Solution: définissez de temps en temps la fonction de décharge du neurone. Si nécessaire, vous pouvez en avoir un pour chaque neurone. Mais en général, la charge fuit en raison de la différence de potentiel, donc la situation est similaire à celle d'un condensateur à décharge automatique - nous aurons quelque chose comme:$$$U(t) = U_0*e^{-t/RC}$ , où U est la différence de potentiel entre le neurone et l'environnement, t est le temps, R est la résistance de la membrane, C est la capacité du système neurone-membrane-environnement. Soit dit en passant, cela a déjà étéfait.

3. Les neurones peuvent être activés sans signal provenant d'autres neurones

Problème: Étant donné que le vrai neurone ne se soucie pas de l'origine des neurotransmetteurs, il peut être activé par lui-même, simplement à partir de la libération de neurotransmetteurs dans le cerveau.

Solution: Ajoutez une chose qui, lorsqu'elle est activée, augmentera la charge de tous les neurones. Colorez-le dans la couleur du neurotransmetteur souhaité. Activez lorsque vous devez simuler une source externe de neurotransmetteur.

4. Il y a des neurones qui n'ont pas de dendrites

Problème: certains neurones ne reçoivent pas du tout de signal d'entrée des autres, ne s'activant qu'au niveau des neurotransmetteurs.

Solution: voir le paragraphe ci-dessus.

5. Neurogenèse

Problème: de nouveaux neurones et connexions se développent dans le cerveau. Et ils meurent aussi d'ailleurs.

Solution: Ajoutez dynamiquement de nouveaux neurones et connexions si vous avez besoin de simuler la neurogenèse. Pour simuler le processus inverse - supprimez.

6. Connexions entre les neurones - non statiques

Problème: lorsque les neurones sont activés, les connexions entre eux sont renforcées ou affaiblies. Cela dépend de l'ordre d'activation. Si la direction d'activation est directe, c'est-à-dire tout d'abord, un neurone est activé à partir duquel la flèche sort, puis celui dans lequel il entre - la connexion est renforcée. Si le contraire s'affaiblit.

Solution: réduisez ou augmentez le poids de la connexion, selon l'ordre d'activation. Et oui, le poids peut être nul. Cela signifie que la connexion est si faible que l'activation d'un neurone n'affecte pas l'autre. Mais nous pouvons potentiellement améliorer cette connexion grâce à des activations directes de l'extérieur. Par conséquent, vous ne pouvez pas simplement la supprimer.

7. Mémoire à long terme

Problème: Le vrai cerveau peut "fixer" l'état de la communication et ainsi assurer la disponibilité de la mémoire à long terme. Le processus est appelé potentialisation tardive à long terme.

Solution: N'oubliez pas la valeur du poids au moment de «fixer» la connexion. Rendez-lui la force de la connexion après le renforcement ou l'affaiblissement de la connexion. Si la connexion est à nouveau fixée - mettez à jour la valeur enregistrée.

8. Oublier les informations de la mémoire à long terme

Problème: Le vrai cerveau est capable de dégrader même les connexions reçues par le mécanisme précédent.

Solution: exécutez la dégradation de la communication à l'aide du mécanisme de la clause 6. (activation dans le sens opposé de l'ordre de communication) et enregistrez le résultat à l'aide de l'article 7.

9. Substances

Problème: les détenteurs de vrais cerveaux mangent parfois des pilules qui régulent les neurotransmetteurs naturels ou sont leurs homologues structurels. Par exemple, les antidépresseurs ISRS augmentent la quantité de sérotonine agissant sur les neurones, et cerucal bloque les récepteurs de la dopamine.

Solution: affaiblir ou amplifier tous les signaux des neurones de la couleur correspondante. Par exemple, nous avons bloqué la dopamine - nous réduisons la charge de tous les neurones dopaminergiques, 90%. Nous avons pris un inhibiteur de recapture de la sérotonine - nous augmentons toutes les liaisons de la sérotonine de 30%. Nous avons pris un analogue structurel de la sérotonine - nous l'augmentons à nouveau, mais déjà de 3 fois.

10. Tout autre problème

La charge des neurones est-elle non linéaire? Créez une fonction et utilisez-la pour décrire l'augmentation de charge. Vous voulez décrire l'effet d'autres entités sur les neurones? Ajoutez-les à votre modèle. L'essence ne changera pas - vous aurez toujours des neurones et des connexions entre eux. Vous pouvez personnaliser leur comportement, selon vos besoins.

Vous voulez le rapprocher du réel? Une liste de 9 points ci-dessus vous aidera. Vous n'en avez pas besoin, car votre tâche est de reconnaître les images? Oubliez toutes ces nuances. Vous voulez une mémoire semblable à une mémoire dans un cerveau biologique? Tenez compte des points 5 à 8. Pas assez de précision? Creusez plus profondément dans les neurosciences, descendez d'un autre niveau et affinez le modèle. Modélisez la synapse, modélisez le comportement des récepteurs. Il y a une marge de manœuvre.

Beaucoup a déjà été modélisé auparavant, vous pouvez utiliser ces résultats. Il a fallu quelque chose de spécifique que ni moi ni personne d'autre n'avons décrit - faites-le vous-même.

Mais si vous n'avez pas besoin d'une telle précision, oubliez-la. Vous n'avez pas besoin de sur-ingénierie simplement parce que vous avez maintenant un ensemble de nouveaux marteaux brillants. C'est la même chose que d'utiliser GR pour simuler une chute de briques d'un immeuble de neuf étages. Oui, les effets relativistes fonctionneront également pour ce cas. Mais vous compliquerez sérieusement votre tâche, et en retour, vous recevrez une augmentation de la précision de 0,000000001%.

Restez simple et direct.

PS
Si vous voulez regarder un exemple d'utilisation d'un tel modèle, alors dans cet article j'ai modélisé la mémoire dans un cerveau biologique en utilisant certains des points énumérés ci-dessus.