🕌 ➰ 📶 मस्तिष्क कृत्रिम अंग: कृत्रिम और जैविक तंत्रिका नेटवर्क का सिंक्रनाइज़ेशन 🏕️ 👩🏻‍🚀 🎼

प्रोस्थेटिक्स की अवधारणा, अर्थात्। एक कृत्रिम एनालॉग के साथ शरीर के लापता हिस्से को बदलने का प्रयास बहुत लंबे समय से मौजूद है। प्रोस्थेटिक्स का पहला उल्लेख 1500 ईसा पूर्व के बाद वापस डेटिंग रिकॉर्ड में पाया जा सकता है। और यह आश्चर्य की बात नहीं है, क्योंकि प्रोस्थेटिक्स के सबसे सरल रूप वास्तव में सरल हैं, और इसलिए उन दिनों में भी कृत्रिम रूप से किया जा सकता था (समुद्री डाकू को उनके हुक और लकड़ी के पैरों को याद रखें)। हालांकि, प्रोस्थेटिक्स स्पष्ट रूप से सतही स्वास्थ्य समस्याओं तक सीमित नहीं है। हम सभी कृत्रिम जोड़ों, जहाजों, वाल्वों आदि के बारे में जानते हैं। लेकिन यहां तक कि ये वृद्धि मस्तिष्क के एक हिस्से के प्रोस्थेटिक्स की तुलना में कुछ भी नहीं है, क्योंकि मस्तिष्क हमारे शरीर का सबसे जटिल अंग है। आज हम आपके साथ एक अध्ययन में मिलेंगे जिसमें टोक्यो विश्वविद्यालय के वैज्ञानिकों ने कृत्रिम लोगों के साथ मिलकर काम करने के लिए वास्तविक न्यूरॉन्स प्राप्त करने का एक तरीका खोजा।विकास में कौन सी प्रौद्योगिकियां और तकनीकें शामिल थीं, सिंथेटिक और जैविक के बीच संबंध कितना प्रभावी है, और इस खोज का व्यावहारिक अनुप्रयोग क्या है? वैज्ञानिकों की एक रिपोर्ट हमें इस बारे में बताएगी। जाओ।

मानव मस्तिष्क नियमित रूप से एक कंप्यूटर की तुलना में है और यह तुलना उचित है। किसी भी बीमारी या मस्तिष्क की चोट सीधे मस्तिष्क नेटवर्क और सर्किट के संरचनात्मक और कार्यात्मक गुणों को प्रभावित करती है, जिससे कोशिका मृत्यु, सिनेप्स की हानि और अक्षतंतु हानि होती है। ऐसी प्रक्रियाएं स्थानीय सूचना प्रसंस्करण की क्षमता और रिमोट सर्किट के बीच इसके आदान-प्रदान को बाधित करती हैं, मस्तिष्क में अलगाव और एकीकरण की प्रक्रिया को बाधित करती है। यह तर्कसंगत है कि ऐसी समस्याओं पर ध्यान देने की आवश्यकता है। कुछ तरीकों को बहाली - सेल पुनर्जनन पर अधिक ध्यान केंद्रित किया जाता है, जबकि अन्य को बदलने के लिए इच्छुक हैं - लापता "राजमार्ग" के प्रोस्थेटिक्स। पुनर्योजी तकनीकों को इस समय विकसित किया जा रहा है, जो कम दूरी पर दोषों का सफलतापूर्वक सामना करती हैं। हालांकि, जब मस्तिष्क के दूर के हिस्सों के बीच संचार खोने की बात आती है,वे पुनर्संरचना और तंत्रिका सर्किटों के पुनर्निर्माण की जटिलता के कारण शक्तिहीन हैं।

अगर कुछ नहीं निकलता है, तो उसे बदलने की जरूरत है वैज्ञानिकों के अनुसार, हाल के दशकों में, न्यूरो प्रोस्थेटिक्स के कार्यान्वयन में प्रभावशाली प्रगति हुई है, जब कृत्रिम स्पंदित तंत्रिका सर्किट वास्तविक समय में इनपुट डेटा प्राप्त करने और प्रसंस्करण में स्थानीय रूप से सक्षम हैं। इस मामले में, इनपुट डेटा को स्थानीय और दूरस्थ रूप से प्रदान किया जा सकता है; दोनों विद्युत और ऑप्टोजेनेटिक उत्तेजना द्वारा।

पल्स्ड न्यूरल नेटवर्क (एसक्यूएन बाइ स्पाइकल न्यूरल नेटवर्क) और आर्टिफिशियल सिनैप्स बनाने के लिए न्यूरोमॉर्फिक इंजीनियरिंग में तकनीकों के बहुत से वेरिएंट हैं। Neuroinduced SNN उनके जैविक पूर्वजों से बहुत अलग हैं, लेकिन कंप्यूटिंग और कृत्रिम बुद्धि विकसित करने के लिए महान हैं। लेकिन न्यूरोइमेटिक एसएनएन अधिक वास्तविक रूप से तंत्रिका कोशिकाओं की गतिविधि की नकल करते हैं और त्वरित या जैविक (वास्तविक) समय के पैमाने पर काम करते हैं। इस SNN विकल्प का नुकसान यह है कि इसे प्रोग्रामेटिक रूप से पुन: पेश किया जा सकता है, लेकिन वास्तव में यह काम नहीं करता है। इसके विपरीत, हार्डवेयर एसएनएन होते हैं जो वास्तविक समय में काम करते हैं, कम बिजली की खपत करते हैं और अंतर्निहित होते हैं। हाइब्रिड सिस्टम बनाने के लिए ऐसी विशेषताएं सबसे आकर्षक हैं, अर्थात न्यूरो प्रोस्थेटिक्स के लिए।

हार्डवेयर एसएनएच 15-21 को दो समूहों में वर्गीकृत किया जा सकता है: एनालॉग कार्यान्वयन और डिजिटल कार्यान्वयन। डिजिटल कार्यान्वयन में यह लाभ है कि उच्च बिजली की खपत के बावजूद यह अनुकूलन योग्य और प्रक्रिया में आसान है।

यह सभी महान है, वैज्ञानिकों का कहना है, लेकिन ये सभी SNN सिस्टम कुछ भी नहीं हैं यदि वे वास्तविक जैविक प्रणालियों के साथ मिलकर काम नहीं कर सकते हैं। कृत्रिम और जैविक के बीच संबंध बनाने में अभी तक सफलता नहीं मिली है।

अपनी रिपोर्ट में, शोधकर्ताओं ने ऑप्टोजेनेटिक BNN उत्तेजना के लिए उपयोग किए गए पैटर्न का उपयोग करके SNNs को गतिशील एन्कोडिंग द्वारा FPGA और जैविक तंत्रिका नेटवर्क (BNN) सर्किट बोर्ड पर लागू हार्डवेयर SNN से वास्तविक समय संचार और सूचना के प्रसारण के पहले परिचालन कार्यान्वयन को प्रदर्शित करता है।

गतिविधि टेम्पलेट एसएनएन का उपयोग करके उत्पन्न किए जाते हैं, फिर उन्हें वास्तविक समय में अद्वितीय नीले प्रकाश पैटर्न में एन्कोड किया जाता है - डिजिटल लाइट प्रोसेसिंग (डीएलपी) द्वारा उत्पन्न द्विआधारी छवियां (8x8 पिक्सल) एक दो-आयामी तंत्रिका नेटवर्क (संस्कृति) पर माइक्रोप्रोजेक्शन के साथ संशोधित वीडियो प्रोजेक्टर का उपयोग करके एक बहु-इलेक्ट्रोड मैट्रिक्स (MEA) पर।

प्रयोगों में इस्तेमाल किया न्यूरॉन्स थे ट्रांसड्यूस * का उपयोग कर एडिनोवायरस से जुड़े वायरस * (एएवी) ChIEF27 प्रोटीन व्यक्त करने के लिए।

ट्रांसडक्शन * - डीएनए का एक सेल से दूसरे में ट्रांसफर होना।

एडेनो-जुड़े वायरस * एक छोटा वायरस है जो मानव कोशिकाओं को संक्रमित करता है, लेकिन किसी भी बीमारी का कारण नहीं बनता है, इसलिए, एक कमजोर प्रतिरक्षा प्रतिक्रिया का कारण बनता है।

इस प्रक्रिया के मद्देनजर, नीली रोशनी से उत्तेजित होने पर न्यूरॉन्स उत्साहित थे, और उनकी गतिविधि को एक MEA डिवाइस और कैल्शियम इमेजिंग ( इलेक्ट्रॉन माइक्रोस्कोप पर एक चार्ज मल्टीप्लायर के साथ एक सीसीडी कैमरा ( चार्ज-युग्मित डिवाइस से सीसीडी ) दोनों का उपयोग करके रिकॉर्ड किया गया था।

शोध का परिणाम

छवि संख्या 1

प्रयोगात्मक सेटअप ( 1 ए ) में एपि-प्रतिदीप्ति माइक्रोस्कोप के आसपास स्थित तीन मुख्य घटक होते हैं।

एपि-प्रतिदीप्ति माइक्रोस्कोप की योजनाबद्ध।

स्थापना के मुख्य घटक:

स्पंदित तंत्रिका नेटवर्क ( 1 बी ), एक एफपीजीए (फील्ड-प्रोग्रामेबल गेट ऐरे, यानी उपयोगकर्ता-प्रोग्रामेबल गेट ऐरे) पर काम कर रहा है;
SNN-FPGA ( 1C);
, ChIEF-mCitrine ( hSyn), .

तालिका संख्या 1

एक वास्तविक जैविक तंत्रिका नेटवर्क की गतिविधि का अनुकरण करने के लिए, एसएनएन ने स्वतःस्फूर्त गतिविधि उत्पन्न की, जिसमें समान विशेषताओं (अवधि, आवृत्ति और भर्ती किए गए न्यूरॉन्स की संख्या) के साथ तंत्रिका तुल्यकालन की विशेषता है, जो कि इस्तेमाल किया गया बीएनएन (0.1 से 1 हर्ट्ज) का उपयोग करके उत्पन्न किया गया था।

12 प्रयोगों में इस्तेमाल किए गए चार अलग-अलग एसएनएन (तालिका 1) FPGA (तालिका 2) में लागू 100 इझीकेविच न्यूरॉन्स (80 उत्तेजक और 20 निरोधात्मक) से बने थे , और नेटवर्क सिंक्रनाइज़ेशन (एनएस) के साथ एक गतिशील रेंज प्रदान की, जो 0.25 से फैला था। 1 हर्ट्ज (तालिका 3) तक।

तालिका 2: FPGA संसाधन। LPG और FF FPGA में लॉजिक ब्लॉक के मुख्य घटक हैं; LUTRAM और BRAM - मेमोरी तकनीक; डीएसपी (डिजिटल सिग्नल प्रोसेसिंग) - जटिल डिजिटल कंप्यूटिंग के लिए उपयोग किए जाने वाले सर्किट, जैसे गुणा।

तालिका संख्या 3: प्रयोग मापदंडों। प्रत्येक प्रयोग के लिए, कई चर एक ही बार में चुने जाते हैं: चार एसएनएन में से एक, न्यूरॉन दालों का थ्रेशोल्ड मान (एन), और नेटवर्क सिंक्रनाइज़ेशन की गणना के लिए समय खिड़कियों की अवधि (टी)।

एसएनएन ने 1 एमएस के समय संकल्प के साथ गतिविधि उत्पन्न की, और एनएस निर्धारित किए गए थे जब कम से कम 64 न्यूरॉन्स ने समय अंतराल में एक आवेग उत्पन्न किया। चार एसएनएन विभिन्न गतिविधि का प्रतिनिधित्व करते हैं, क्योंकि उनके न्यूरॉन्स, सिंकैप्स और कनेक्टिविटी पैरामीटर अलग-अलग प्रयोगों में बदल गए हैं।

सहज एसएनएन गतिविधि को वास्तविक समय में 8x8 पिक्सेल बाइनरी मैट्रिस में बदल दिया गया था, जहां प्रत्येक मैट्रिक्स तत्व शून्य के बराबर था (यानी, बिना प्रकाश के) यदि इसके संबंधित असाइन किए गए आवेग न्यूरॉन्स शुरू नहीं हुए, या एक (यानी, प्रकाश उत्सर्जन) ) यदि न्यूरॉन्स सक्रिय हैं।

एक बार जब एनएस की पहचान की गई थी, तो इसी रूपांतरित छवि को प्रकाशित किया गया था। इसके अलावा, SNN गतिविधि के आधार पर, नेटवर्क तुल्यकालन डिटेक्टर मॉड्यूल ने उत्तेजक डिवाइस के लिए एक ट्रांजिस्टर-ट्रांजिस्टर लॉजिक (TTL) सिग्नल बनाया और 8x8 मैट्रिक्स के अनुरूप वीजीए छवि की रोशनी का गठन किया।

जैसा कि हमने पहले ही अनुमान लगाया है, स्थापना का एक मुख्य भाग एक वीडियो प्रोजेक्टर सिस्टम है। एसएनएन आउटपुट गतिविधि के रूप में उत्पन्न 8x8 द्विआधारी छवि को वीडियो प्रोजेक्टर के वीजीए पोर्ट के माध्यम से 800x600 पिक्सेल छवि में बदल दिया गया था, जहां मूल दीपक के बजाय एक शक्तिशाली ब्लू एलईडी का उपयोग किया गया था। 8x8 बाइनरी मैट्रिक्स (0 = काला, 1 = नीला) को 800x600 पिक्सल के मध्य भाग में प्रदर्शित किया गया था, और अन्य सभी पिक्सेल शून्य (काले) थे।

वीडियो प्रोजेक्टर के डिजिटल माइक्रोमीटर डिवाइस (डीएमडी) द्वारा उत्पन्न छवि को एक अतिरिक्त ऑप्टिकल पथ के माध्यम से एक एपि-प्रतिदीप्ति माइक्रोस्कोप में प्रक्षेपित किया गया था। नमूना ( 1C) के ऊपर स्थित कैमरा और फिल्टर क्यूब के बीच से गुजरना) माइक्रोस्कोप पोर्ट पर डीएमडी छवि का ध्यान केंद्रित किया गया था ताकि माइक्रोस्कोप के दृश्य के क्षेत्र में सभी उत्पन्न छवियों को 10x आवर्धन के माध्यम से अनुमानित किया जा सके, जो कि ChIEF को व्यक्त करने वाले न्यूरॉन्स में कार्रवाई क्षमता को ट्रिगर करने के लिए पर्याप्त शक्ति के साथ हो। अनुमानित डीएमडी छवि 250 मिमी की फोकल लंबाई के साथ लेंस के फोकल विमान में स्थित थी, जिससे छवि को लगभग चौदह गुना बढ़ाना संभव हो गया।

तो, जबकि एक कृत्रिम तंत्रिका नेटवर्क और डेटा को ठीक करने का एक साधन है। इस प्रयोग का अगला अभिन्न अंग है, बेशक, बीएनएन, अर्थात्। जैविक तंत्रिका नेटवर्क।

BNN के लिए, 21 से 28 DIV की तंत्रिका संस्कृतियों का उपयोग किया गया था (इन विट्रो में दिन "ग्लास में", यानी इन विट्रो संस्कृति में या पेट्री डिश में बिताए दिनों की संख्या)। 200 माइक्रोन ( 2% ) के अंतर-दूरी के साथ एक मानक (8x8) MEA * कप का उपयोग करके न्यूरॉनल गतिविधि दर्ज की गई थी ।

MEA * (माइक्रोइलेक्ट्रोड सरणी) - एक माइक्रोइलेक्ट्रोड सरणी एक उपकरण है जिसमें कई (दसियों से हजारों तक) माइक्रोइलेक्ट्रोड होते हैं जिसके माध्यम से तंत्रिका संकेत प्राप्त होते हैं या भेजे जाते हैं। MEA न्यूरॉन्स और इलेक्ट्रॉनिक सर्किट के बीच एक तंत्रिका इंटरफ़ेस है।

छवि नंबर 2

उत्तेजक और निरोधात्मक न्यूरॉन्स (HSyn प्रमोटर के तहत) को ChIEF-mCitrine ( 2B ) की अभिव्यक्ति के लिए 7 DIV पर प्रसारित किया गया था । 21 DIV पर न्यूरॉन्स की पूरी आबादी में अभिव्यक्ति दर 70 entire 13% थी। कैल्शियम इमेजिंग ( 2 बी ) के परिणाम एक माइक्रोस्कोप पर 800x800 माइक्रोन के क्षेत्र के साथ घुड़सवार एक EMCCD कैमरे के साथ 10 गुना बढ़ाई द्वारा प्राप्त किए गए थे, जो लगभग 4x4 MEA इलेक्ट्रोड ( 2A ) के बीच की जगह के बराबर है ।

अनुमानित छवि (यानी, उत्तेजना) को दृष्टि के एक ही क्षेत्र में लागू किया गया था, लेकिन थोड़े छोटे क्षेत्र ( 2C ) पर।

विभिन्न उपकरणों का समय तुल्यकालन MEA डेटा अधिग्रहण प्रणाली के माध्यम से किया गया था, जिसमें 60 इलेक्ट्रोड में से प्रत्येक पर संकेत एक साथ TTL सिग्नल पर दर्ज किया गया था, उत्तेजना प्रोटोकॉल को सक्रिय करते हुए, एलईडी ड्राइवर को नियंत्रित करना (नीली रोशनी को चालू करना और बंद करना और कैमरा द्वारा प्राप्त एक एकल-फ्रेम सिग्नल)।

यह ध्यान दिया जाना चाहिए कि MEA प्रणाली ने उत्तेजना के सक्रियण के पहले और बाद में BNN गतिविधि का पता लगाया (यानी, जब SNN और BNN के बीच संभावित लिंक को सक्रिय किया गया था)।

चित्र संख्या 3

अध्ययन के दौरान, 12 प्रयोग किए गए थे, जिनमें से प्रत्येक में एसएनएन और अन्य मापदंडों का एक विशिष्ट संस्करण नेटवर्क तुल्यकालन (तालिका 3) का पता लगाने के लिए उपयोग किया गया था, जो कि प्रति मिनट उत्तेजनाओं की संख्या में वृद्धि करने वाला था।

मापदंडों में परिवर्तन के कारण, एसएनएन ने अलग-अलग आवृत्ति रेंज (उत्तेजनाओं, 3 ए के बीच अंतराल के रूप में मापा ) और तीव्रता (100% उत्तेजना की तीव्रता का मतलब है कि 8x8 मैट्रिक्स के सभी 64 वर्गों को चालू किया गया था, 3 बी ) के साथ अलग-अलग आउटपुट डेटा (OUTPUTs) उत्पन्न किया ।

SNN के लिए नेटवर्क सिंक्रनाइज़ेशन के लिए आवृत्ति अंतराल सेट किया गया है [0.25; १] हज़। इन मूल्यों का ऐसा सटीक विकल्प उत्तेजनाओं के किसी भी ओवरलैप को बेअसर करना संभव बनाता है, क्योंकि उत्तेजना प्रोटोकॉल 310 एमएस तक रहता है, और कॉर्टिकल बीएनएन 0.1 और 1 हर्ट्ज के बीच एक औसत न्यूरॉन सिंक्रनाइज़ेशन उत्पन्न करता है।

एसएनएन और बीएनएन के बीच सूचना हस्तांतरण (सूचना प्रसारण से आईटी) को INPUT जोड़े (SIP, 4A ) के बीच समानता और OUTPUT जोड़े (SOP) के बीच समानता के संबंध को ध्यान में रखते हुए निर्धारित किया गया था ।4 सी )।

छवि संख्या 4

नीचे की रेखा यह है कि जब सूचना प्रसारित होती है, तो BNN के लिए दो समान INPUTs को BNN में दो समान OUTPUT पैटर्न को कॉल करना चाहिए।

अगला, सूचना प्रसारण का मूल्यांकन 12 से अधिक प्रयोगों के साथ किया गया था जिसमें विभिन्न मापदंडों (नेटवर्क प्रतिक्रिया की रैखिकता, औसत आवृत्ति / उत्तेजना तीव्रता, आदि। 5C - 5G ) और विभिन्न मैट्रिक्स (प्रवेश गुणांक BNN और नेटवर्क तुल्यकालन के दमन के गुणांक, सिप को जैक्वार्ड गुणांक द्वारा मापा गया था)। ।

चित्रा 4A एक प्रतिनिधि प्रयोग के लिए INPUT आत्मीयता मैट्रिक्स को दिखाता है, जिसके दौरान SNN से BNN तक लगभग 200 उत्तेजनाएं पहुंचाई गईं।

बीओएन ( 4 बी ) वेक्टर प्रतिक्रिया नेटवर्क के आधार पर एसओपी की गणना की गई । विशेष रूप से, SNN प्रोत्साहन वितरण की गणना के बाद समय खिड़की टी के भीतर प्रत्येक इलेक्ट्रोड द्वारा दर्ज की गई दालों की संख्या। इसके बाद, प्रत्येक उत्तेजना के लिए, एक वेक्टर नेटवर्क विशेषता ( 4B पर बाईं ओर VNR ) का निर्माण किया गया था और SOP ( 4C ) का प्रतिनिधित्व करने वाले एक मैट्रिक्स की गणना की गई थी । इसके अलावा, प्रत्येक उत्तेजना के लिए स्केलर नेटवर्क (एसएनआर) की प्रतिक्रिया, जिसे वीएनआर ( 4 बी पर दाईं ओर ) के योग के रूप में गणना की जाती है , पर भी विचार किया गया था।

चित्र संख्या 5

शुरुआत के साथ, एक मूल्यांकन किया गया था कि उत्तेजना की तीव्रता के आधार पर एसएनआर कैसे भिन्न होता है। उत्तेजना के बाद पूरी प्रतिक्रिया समय खिड़की (500 एमएस) की जांच करते समय, यह पाया गया कि प्रतिक्रिया अस्पष्ट थी: एसएनआर 0.70 के सहसंबंध के साथ उत्तेजना की तीव्रता के संबंध में लगभग रैखिक था, जब केवल प्रतिक्रियाओं को अधिकतम 1/8 से अधिक नहीं माना गया था, जबकि एनआर इस तरह की सीमा के ऊपर लगभग समान रूप से वितरित किए गए थे। इसी तरह, जब एक छोटी प्रतिक्रिया समय (50 एमएस) चुना गया था और जब अधिकतम के 1/6 से नीचे सीमा के साथ एनआर पर ध्यान केंद्रित किया गया था, एनआर और उत्तेजना की तीव्रता के बीच 0.57 का सहसंबंध देखा गया था।

इसलिए, प्रत्येक प्रयोग के लिए, इष्टतम प्रतिक्रिया समय खिड़की टी निर्धारित किया गया था (1 से 50 एमएस, 5 सी - 5 ई तक) और इष्टतम दहलीज प्रतिक्रिया नेटवर्क ( 5C )। इसके कारण, SNN और BNN के बीच सूचना के हस्तांतरण को अधिकतम करना संभव था। इष्टतम सूचना हस्तांतरण 8 में से 8 प्रयोगों ( 5 जी ) में प्राप्त किया गया था ।

वैज्ञानिकों ने आगे जांच की कि कैसे सूचना का प्रसारण एसएनएन से उत्तेजना की तीव्रता और आवृत्ति से संबंधित है, जो दोनों सहज एसएनएन नेटवर्क सिंक्रोनाइजेशन द्वारा बनते हैं जो बीएनएन (नीचे छवि) में होने वाले नकल करते हैं।

चित्र संख्या 6

सूचना के संचरण ने औसत उत्तेजना तीव्रता के साथ दृढ़ता से सहसंबंधित किया और औसत उत्तेजना आवृत्ति के एक समारोह के रूप में घंटी के आकार का वक्र दिखाया, जो अधिकतम 0.56 हर्ट्ज पर पहुंच गया।

शोधकर्ताओं ने यह भी ध्यान दिया कि बाहरी उत्तेजना के अभाव में सहज नेटवर्क सिंक्रोनाइजेशन भी हो सकता है, क्योंकि उन्होंने BNN और सूचना हस्तांतरण में नेटवर्क सिंक्रोनाइज़ेशन (NS) के बीच संबंधों की जांच की। बीएनएन (उत्तेजनाओं की अनुपस्थिति में, यानी, जब एसएनएन और बीएनएन के बीच संबंध काट दिया गया था) में सहज एनएसयू 0.37 8 008 हर्ट्ज की औसत आवृत्ति के साथ हुआ। NS दमन और सूचना हस्तांतरण (छवि संख्या 8) के बीच एक उच्च सहसंबंध भी देखा गया था।

चित्र संख्या 7

सहज एन एस दमन को बुनियादी स्थितियों (यानी, जब एसएनएन और बीएनएन को बंद कर दिया गया था) के तहत सहज एनएस बीएनएन की आवृत्ति के अनुपात के रूप में निर्धारित किया गया था जब एसएनएन और बीएनएन के संचार को चालू किया गया था। एसएनएन से आने वाली उत्तेजनाओं की उपस्थिति में सहज एनएस को अंतिम उत्तेजना (चित्र संख्या 7) के वितरण के बाद कम से कम 500 एमएस उत्पन्न होने के रूप में माना जाता था।

छवि संख्या 8

सामान्य परिणामों से पता चला कि सूचना हस्तांतरण केवल उत्तेजनाओं के लिए नेटवर्क प्रतिक्रियाओं की एक रैखिक प्रतिक्रिया के साथ प्राप्त किया जा सकता है। इसके अलावा, प्रारंभिक प्रतिक्रिया अवधि के दौरान सर्वोत्तम परिणाम प्राप्त किए गए, अर्थात। उत्तेजना की शुरुआत से पहले सौ मिलीसेकंड के दौरान।

सूचना हस्तांतरण का अधिकतम मूल्य तब प्राप्त हुआ जब उत्तेजनाओं की आवृत्ति लगभग 0.56 हर्ट्ज थी, जो कि जैविक तंत्रिका नेटवर्क (0.37 हर्ट्ज) की आवृत्ति से थोड़ा अधिक है।

अध्ययन के लेखक के अनुसार उपरोक्त परिणाम, इस सिद्धांत की पुष्टि करते हैं कि बीएनएन गतिविधि को एसएनएन से आने वाली उत्तेजनाओं द्वारा दृढ़ता से दूर किया जाना चाहिए ताकि इसे रैखिक मोड में मज़बूती से संसाधित किया जा सके।

अध्ययन की बारीकियों के साथ एक अधिक विस्तृत परिचित के लिए, मेरा सुझाव है कि आप वैज्ञानिकों की रिपोर्ट और इसके लिए अतिरिक्त सामग्रियों पर ध्यान दें।

उपसंहार

व्यवहार में इस अध्ययन ने पुष्टि की कि कृत्रिम तंत्रिका नेटवर्क और वास्तविक एक के बीच संबंध काफी संभव है। बेशक, जैसा कि वैज्ञानिक खुद मानते हैं, प्रयोगों में इस्तेमाल किए गए हजारों न्यूरॉन्स के बीच, केवल सैकड़ों ने सिंक्रनाइज़ेशन मोड में प्रवेश किया।

एक जैविक के साथ एक कृत्रिम नेटवर्क की तुलना करना काफी मुश्किल है। समस्याओं में से एक सहजता है, जो वास्तविक जैविक तंत्रिका नेटवर्क में निहित है। न्यूरॉन्स में सहज गतिविधि के कारण तुल्यकालिक गतिविधि होती है, जो एक निश्चित लय से मेल खाती है, जो न्यूरॉन्स के बीच संबंध से प्रभावित हो सकती है, इस संबंध में न्यूरॉन्स के प्रकार, साथ ही साथ नई कार्य स्थितियों के कारण अनुकूलन और बदलने की उनकी क्षमता। दूसरे शब्दों में, तंत्रिका नेटवर्क कभी-कभी बहुत अप्रत्याशित होते हैं जब वे इस तरह के एक जटिल सिंक्रनाइज़ेशन सिस्टम बनाते हैं, जैसे कि अराजकता में आदेश पैदा करना।

इसलिए, कृत्रिम और जैविक नेटवर्क के सिंक्रनाइज़ेशन को प्राप्त करने के लिए, इस ताल के लिए कृत्रिम को समायोजित करना आवश्यक था। अध्ययन के दौरान, इस कठिन मामले में अच्छे परिणाम प्राप्त हुए, हालांकि कई असफल प्रयोगों की आवश्यकता थी।

उनके काम का मुख्य लक्ष्य, वैज्ञानिक तंत्रिका कृत्रिम अंगों के विकास को कहते हैं जो मस्तिष्क के क्षतिग्रस्त क्षेत्रों को सफलतापूर्वक बदल सकते हैं। यह बहुत फ्यूचरिस्टिक लगता है, फिल्म "जॉनी मेमोनिक्स" की याद ताजा करती है। फिर भी, लक्ष्य कुलीन है, और इसलिए मैं विश्वास करना चाहता हूं कि इस काम के लेखक भविष्य में अपने विकास को सफलतापूर्वक सुधारने में सक्षम होंगे।

आपका ध्यान के लिए धन्यवाद, जिज्ञासु बने रहें और काम करने का सप्ताह अच्छा हो, दोस्तों! :)

विज्ञापन का एक सा :)

हमारे साथ रहने के लिए धन्यवाद। क्या आप हमारे लेख पसंद करते हैं? अधिक दिलचस्प सामग्री देखना चाहते हैं? एक ऑर्डर देकर या अपने दोस्तों को सलाह देकर, $ 4.99 से डेवलपर्स के लिए क्लाउड VPS , एंट्री-लेवल सर्वरों का एक अनूठा एनालॉग , जो आपके लिए हमारे द्वारा आविष्कार किया गया था, का समर्थन करें: VPS (KVM) E5-2697 v3 (6 कोर) 10GB DDR4 480GB SSD 1Gbps के बारे में पूरी सच्चाई $ 19 या सर्वर को कैसे विभाजित करें? (विकल्प RAID1 और RAID10 के साथ उपलब्ध हैं, 24 कोर तक और 40GB DDR4 तक)।

डेल R730xd एम्स्टर्डम में इक्विनिक्स टीयर IV डेटा सेंटर में 2 गुना सस्ता? केवल हमारे पास 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV नीदरलैंड के 199 डॉलर में से है!डेल R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $ 99 से! इन्फ्रास्ट्रक्चर Bldg का निर्माण कैसे करें के बारे में पढ़ें । एक पैसा के लिए 9,000 यूरो की लागत डेल R730xd E5-2650 v4 सर्वर का उपयोग कर वर्ग सी?

मस्तिष्क कृत्रिम अंग: कृत्रिम और जैविक तंत्रिका नेटवर्क का सिंक्रनाइज़ेशन

शोध का परिणाम

उपसंहार

विज्ञापन का एक सा :)

More articles: