न्यूरॉन्स और उनके मॉडलिंग

मैंने हाल ही में एक लेख लिखा है कि मस्तिष्क में स्मृति कैसे काम करती है । कुछ टिप्पणियों में कहा गया कि मैंने जैविक न्यूरॉन की विशेषताओं के विषय का पर्याप्त रूप से खुलासा नहीं किया है। और मैंने अपनी गलती को ठीक करने का फैसला किया।

यह लेख मुख्य तंत्रों की एक सूची है जो जैविक वजन को एक साधारण मॉडल से बॉन्ड वेट और एक सक्रियण सीमा से अलग करता है। मैं आपको बताऊंगा कि यदि आपको इन विशेषताओं को ध्यान में रखने की आवश्यकता है तो मॉडल को कैसे ठीक किया जाए।

हम इस सरल तस्वीर के साथ यहां शुरू करते हैं:

1. हमारे पास अलग-अलग न्यूरॉन्स हैं

समस्या: मस्तिष्क में कई प्रकार के न्यूरोट्रांसमीटर हैं, और प्रत्येक न्यूरॉन के पास रिसेप्टर्स का अपना सेट है।


समाधान: न्यूरॉन्स की गेंदों को रंग दें, इस प्रकार उन पर प्रकाश डाला जो एक विशिष्ट न्यूरोट्रांसमीटर का जवाब देते हैं। यदि आपको एक न्यूरॉन के लिए कई न्यूरोट्रांसमीटर की आवश्यकता है - इसे कई रंगों में पेंट करें। यदि प्रत्येक न्यूरोट्रांसमीटर अपने तरीके से न्यूरॉन के चार्ज को प्रभावित करता है, तो प्रत्येक न्यूरोट्रांसमीटर के लिए न्यूरॉन के चार्ज का एक फ़ंक्शन बनाएं। इन कार्यों की संरचना के साथ एक न्यूरॉन का वर्णन करें।

2. न्यूरॉन्स से एक चार्ज लीक

समस्या: एक वास्तविक न्यूरॉन अनंत समय के लिए सभी चार्ज किए गए कणों को संग्रहीत नहीं करता है, लेकिन धीरे-धीरे निर्वहन करता है।

समाधान: समय-समय पर न्यूरॉन के निर्वहन का कार्य निर्धारित करें। यदि आवश्यक हो, तो आप प्रत्येक न्यूरॉन के लिए एक हो सकते हैं। लेकिन सामान्य तौर पर, चार्ज संभावित अंतर के कारण लीक होता है, इसलिए वहां की स्थिति स्व-डिस्चार्ज कैपेसिटर के साथ होती है - हम कुछ इस तरह होंगे:$$$U(t) = U_0*e^{-t/RC}$ , जहां U, न्यूरॉन और पर्यावरण के बीच संभावित अंतर है, t समय है, R झिल्ली प्रतिरोध है, C न्यूरॉन-झिल्ली-पर्यावरण प्रणाली की क्षमता है। वैसे, यह पहले से हीकियागयाहै।

3. न्यूरॉन्स को अन्य न्यूरॉन्स से संकेत के बिना सक्रिय किया जा सकता है

समस्या: चूँकि असली न्यूरॉन इस बात से चिंतित नहीं है कि न्यूरोट्रांसमीटर कहाँ से आया है, यह मस्तिष्क में न्यूरोट्रांसमीटरों को बाहर निकाल कर, बस खुद को सक्रिय कर सकता है।

समाधान: एक ऐसी चीज़ जोड़ें, जो सक्रिय होने पर, सभी न्यूरॉन्स के चार्ज को बढ़ाएगी। इसे वांछित न्यूरोट्रांसमीटर के रंग में रंग दें। जब आपको न्यूरोट्रांसमीटर के किसी बाहरी स्रोत का अनुकरण करने की आवश्यकता हो तो सक्रिय करें।

4. ऐसे न्यूरॉन्स होते हैं जिनमें डेन्ड्राइट नहीं होते हैं

समस्या: कुछ न्यूरॉन्स को दूसरों से इनपुट संकेत बिल्कुल नहीं मिलता है, केवल न्यूरोट्रांसमीटर के स्तर से सक्रिय होता है।

हल: ऊपर अनुच्छेद देखें।

5. न्यूरोजेनेसिस

समस्या: मस्तिष्क में नए न्यूरॉन्स और कनेक्शन बढ़ते हैं। और वे मर जाते हैं, वैसे भी।

समाधान: यदि आपको न्यूरोजेनेसिस का अनुकरण करने की आवश्यकता है तो गतिशील रूप से नए न्यूरॉन्स और कनेक्शन जोड़ें। रिवर्स प्रक्रिया का अनुकरण करने के लिए - हटाएं।

6. न्यूरॉन्स के बीच संबंध - स्थिर नहीं

समस्या: जब न्यूरॉन्स सक्रिय होते हैं, तो उनके बीच संबंध मजबूत या कमजोर हो जाते हैं। यह सक्रियण के क्रम पर निर्भर करता है। यदि सक्रियण दिशा प्रत्यक्ष है, अर्थात्। सबसे पहले, एक न्यूरॉन सक्रिय होता है जिसमें से तीर निकलता है, और फिर वह जिस में प्रवेश करता है - कनेक्शन को मजबूत किया जाता है। यदि विपरीत कमजोर हो रहा है।

समाधान: सक्रियण के क्रम के आधार पर, कनेक्शन के वजन को कम करें या बढ़ाएं। और हां, वजन शून्य हो सकता है। इसका मतलब यह है कि कनेक्शन इतना कमजोर है कि एक न्यूरॉन की सक्रियता दूसरे को प्रभावित नहीं करती है। लेकिन संभावित रूप से, हम इस कनेक्शन को बाहर से प्रत्यक्ष गतिविधियों के माध्यम से बढ़ा सकते हैं - इसलिए, आप इसे केवल हटा नहीं सकते।

7. दीर्घकालिक स्मृति

समस्या: वास्तविक मस्तिष्क संचार की स्थिति को "ठीक" कर सकता है, और इस तरह दीर्घकालिक स्मृति की उपलब्धता सुनिश्चित करता है। इस प्रक्रिया को लेट लॉन्ग-टर्म पोटेंशिएशन कहा जाता है।

समाधान: कनेक्शन "फिक्सिंग" के समय वजन का मूल्य याद रखें। कनेक्शन को मजबूत या कमजोर करने के बाद इसे कनेक्शन की ताकत लौटाएं। यदि कनेक्शन फिर से तय किया गया है - सहेजे गए मूल्य को अपडेट करें।

8. दीर्घकालिक स्मृति से जानकारी को भूल जाना

समस्या: वास्तविक मस्तिष्क पिछले तंत्र द्वारा प्राप्त कनेक्शन को भी नीचा दिखाने में सक्षम है।

समाधान: खंड 6 के तंत्र का उपयोग करके संचार के क्षरण को चलाएँ। (संचार आदेश के विपरीत दिशा में सक्रियण) और खण्ड 7 का उपयोग करके परिणाम रिकॉर्ड करें।

9. पदार्थ

समस्या: असली दिमाग के धारक कभी-कभी गोलियां खाते हैं जो प्राकृतिक न्यूरोट्रांसमीटर को विनियमित करते हैं या उनके संरचनात्मक समकक्ष होते हैं। उदाहरण के लिए, SSRI एंटीडिप्रेसेंट - न्यूरॉन्स पर सेरोटोनिन अभिनय की मात्रा में वृद्धि करते हैं, और सेरुकल - डोपामाइन रिसेप्टर्स को ब्लॉक करते हैं।

समाधान: संबंधित रंग के न्यूरॉन्स के लिए सभी संकेतों को कमजोर या बढ़ाना। उदाहरण के लिए, हमने डोपामाइन को अवरुद्ध किया - हम सभी डोपामाइन न्यूरॉन्स के चार्ज को कम करते हैं, 90 प्रतिशत। हमने एक सेरोटोनिन रीपटेक अवरोधक लिया - हम सभी सेरोटोनिन बांडों में 30 प्रतिशत की वृद्धि करते हैं। हमने सेरोटोनिन का संरचनात्मक एनालॉग लिया - हम इसे फिर से बढ़ाते हैं, लेकिन पहले से 3 गुना।

10. कोई अन्य समस्या

क्या न्यूरॉन गैर-रैखिक चार्ज कर रहा है? एक फ़ंक्शन बनाएं और चार्ज में वृद्धि का वर्णन करने के लिए इसका उपयोग करें। न्यूरॉन्स पर अन्य संस्थाओं के प्रभाव का वर्णन करना चाहते हैं? उन्हें अपने मॉडल में जोड़ें। सार नहीं बदलेगा - आपके पास हमेशा न्यूरॉन्स और उनके बीच संबंध होंगे। आप अपनी आवश्यकताओं के आधार पर उनके व्यवहार को अनुकूलित कर सकते हैं।

इसे असली के करीब लाना चाहते हैं? ऊपर 9 बिंदुओं की एक सूची मदद करेगी। आपको इसकी आवश्यकता नहीं है, क्योंकि आपका कार्य चित्रों को पहचानना है? इन सभी बारीकियों के बारे में भूल जाओ। जैविक मस्तिष्क में स्मृति के समान स्मृति चाहते हैं? अंक 5 से 8 पर विचार करें। पर्याप्त सटीकता नहीं है? तंत्रिका विज्ञान में गहराई से खोदो, एक और स्तर नीचे जाओ और मॉडल को परिष्कृत करें। सिनैप्स को मॉडल करें, रिसेप्टर्स के व्यवहार को मॉडल करें। पैंतरेबाज़ी के लिए जगह है।

बहुत पहले ही मॉडल किए जा चुके हैं, आप इन परिणामों का उपयोग कर सकते हैं। इसने कुछ विशिष्ट लिया जो न तो मैंने और न ही किसी और ने वर्णित किया - इसे स्वयं करें।

लेकिन, अगर आपको इस तरह की सटीकता की आवश्यकता नहीं है - इसे भूल जाओ। आपको सिर्फ ओवर-इंजीनियर की ज़रूरत नहीं है क्योंकि अब आपके पास नए चमकदार हथौड़ों का एक सेट है। यह नौ-मंजिला इमारत से ईंट गिरने का अनुकरण करने के लिए जीआर का उपयोग करने के समान है। हां, इस मामले के लिए सापेक्ष प्रभाव भी काम करेगा। लेकिन आप अपने काम को गंभीरता से करेंगे, और बदले में आपको 0.0000001% तक सटीकता में वृद्धि प्राप्त होगी।

इसे सरल और सीधा रखें।

पुनश्च
यदि आप इस तरह के मॉडल का उपयोग करने का एक उदाहरण देखना चाहते हैं, तो इस लेख में मैंने ऊपर सूचीबद्ध कुछ बिंदुओं का उपयोग करके जैविक मस्तिष्क में स्मृति को मॉडल किया है।