Neuron dan pemodelannya

Baru-baru ini saya menulis sebuah artikel tentang cara kerja memori di otak . Beberapa komentar mengatakan bahwa saya tidak cukup mengungkapkan topik fitur neuron biologis. Dan saya memutuskan untuk memperbaiki kesalahan saya.

Artikel ini adalah daftar mekanisme utama yang membedakan neuron biologis dari model sederhana dengan bobot ikatan dan ambang aktivasi. Saya akan memberi tahu Anda cara memperbaiki model jika Anda perlu mempertimbangkan fitur-fitur ini.

Kita mulai di sini dengan gambar sederhana ini:

1. Kami memiliki neuron yang berbeda

Masalah: Ada banyak jenis neurotransmiter di otak, dan masing-masing neuron memiliki set reseptor sendiri.


Solusi: Warnai bola-bola neuron, dengan demikian menyoroti bola-bola yang merespons neurotransmitter tertentu. Jika Anda memerlukan beberapa neurotransmiter untuk satu neuron - catlah dalam beberapa warna. Jika setiap neurotransmitter dengan caranya sendiri memengaruhi muatan neuron, buatlah fungsi muatan neuron untuk setiap neurotransmitter. Jelaskan neuron dengan komposisi fungsi-fungsi ini.

2. Sebuah muatan bocor dari neuron

Masalah: Neuron sungguhan tidak menyimpan semua partikel bermuatan selama waktu yang tak terbatas, tetapi secara bertahap dikeluarkan.

Solusi: Atur fungsi pelepasan neuron dari waktu ke waktu. Jika perlu, Anda dapat memiliki satu untuk setiap neuron. Tetapi secara umum, muatan bocor karena perbedaan potensial, sehingga situasinya seperti dengan kapasitor self-discharge - kita akan memiliki sesuatu seperti:$$$U(t) = U_0*e^{-t/RC}$di mana U adalah perbedaan potensial antara neuron dan lingkungan, t adalah waktu, R adalah resistansi membran, C adalah kapasitas sistem neuron-membran-lingkungan. Ngomong-ngomong, ini sudah dilakukan .

3. Neuron dapat diaktifkan tanpa sinyal dari neuron lain

Masalah: Karena neuron yang sebenarnya tidak khawatir tentang dari mana neurotransmiter berasal, neuron dapat diaktifkan dengan sendirinya, hanya dari pelepasan neurotransmiter ke otak.

Solusi: Tambahkan sesuatu yang, ketika diaktifkan, akan meningkatkan muatan semua neuron. Warnai dengan warna neurotransmitter yang diinginkan. Aktifkan saat Anda perlu mensimulasikan sumber neurotransmitter eksternal.

4. Ada neuron yang tidak memiliki dendrit

Masalah: Beberapa neuron sama sekali tidak menerima sinyal input dari yang lain, hanya mengaktifkan dari tingkat neurotransmiter.

Solusi: Lihat paragraf di atas.

5. Neurogenesis

Masalah: Neuron dan koneksi baru tumbuh di otak. Dan mereka mati juga.

Solusi: Tambahkan neuron dan koneksi baru secara dinamis jika Anda perlu mensimulasikan neurogenesis. Untuk mensimulasikan proses kebalikan - hapus.

6. Koneksi antar neuron - tidak statis

Masalah: Ketika neuron diaktifkan, koneksi di antara mereka diperkuat atau dilemahkan. Itu tergantung pada urutan aktivasi. Jika arah aktivasi langsung, mis. pertama, neuron diaktifkan dari mana panah pergi, dan kemudian yang masuk - koneksi diperkuat. Jika kebalikannya melemah.

Solusi: Mengurangi atau menambah bobot koneksi, tergantung pada urutan aktivasi. Dan ya, beratnya bisa nol. Ini berarti bahwa koneksi sangat lemah sehingga aktivasi satu neuron tidak mempengaruhi yang lain. Namun berpotensi, kami dapat meningkatkan koneksi ini melalui aktivasi langsung dari luar - oleh karena itu, Anda tidak dapat menghapusnya begitu saja.

7. Memori jangka panjang

Masalah: Otak yang sebenarnya dapat "memperbaiki" keadaan komunikasi, dan dengan demikian memastikan ketersediaan memori jangka panjang. Proses ini disebut Potensiasi Jangka Panjang Akhir.

Solusi: Ingat nilai bobot pada saat "memperbaiki" koneksi. Kembalikan kekuatan koneksi ke sana setelah memperkuat atau melemahkan koneksi. Jika koneksi diperbaiki lagi - perbarui nilai yang disimpan.

8. Lupa informasi dari memori jangka panjang

Masalah: Otak sebenarnya mampu menurunkan bahkan koneksi yang diterima oleh mekanisme sebelumnya.

Solusi: Jalankan degradasi komunikasi menggunakan mekanisme klausa 6. (aktivasi dalam arah yang berlawanan dari urutan komunikasi) dan catat hasilnya menggunakan klausa 7.

9. Zat

Masalah: Pemegang otak nyata kadang-kadang makan pil yang mengatur neurotransmitter alami atau rekan struktural mereka. Sebagai contoh, antidepresan SSRI meningkatkan jumlah serotonin yang bekerja pada neuron, dan blok reseptor dopamin serucal.

Solusi: Untuk melemahkan atau memperkuat semua sinyal untuk neuron dengan warna yang sesuai. Sebagai contoh, kami memblokir dopamin - kami mengurangi muatan semua neuron dopamin, 90 persen. Kami mengambil inhibitor reuptake serotonin - kami meningkatkan semua ikatan serotonin hingga 30 persen. Kami mengambil analog struktural serotonin - kami menambahnya lagi, tetapi sudah 3 kali lipat.

10. Masalah lainnya

Apakah pengisian neuron tidak linier? Buat fungsi dan gunakan untuk menjelaskan peningkatan penagihan. Ingin menggambarkan efek entitas lain pada neuron? Tambahkan ke model Anda. Intinya tidak akan berubah - Anda akan selalu memiliki neuron dan koneksi di antara mereka. Anda dapat menyesuaikan perilaku mereka, tergantung pada kebutuhan Anda.

Ingin membawanya lebih dekat dengan yang asli? Daftar 9 poin di atas akan membantu. Anda tidak memerlukannya, karena tugas Anda adalah mengenali gambar? Lupakan semua nuansa ini. Ingin memori yang mirip dengan memori di otak biologis? Pertimbangkan poin 5 sampai 8. Tidak cukup akurat? Gali lebih dalam ke ilmu saraf, turunkan level lain dan perbaiki model. Model sinapsis, model perilaku reseptor. Ada ruang untuk bermanuver.

Banyak yang sudah dimodelkan sebelumnya, Anda dapat menggunakan hasil ini. Butuh sesuatu yang spesifik yang tidak saya dan orang lain uraikan - lakukan sendiri.

Tapi, jika Anda tidak membutuhkan ketepatan seperti itu - lupakan saja. Anda tidak perlu merekayasa berlebihan hanya karena sekarang Anda memiliki satu set palu mengkilap baru. Ini sama dengan menggunakan GR untuk mensimulasikan jatuh batu bata dari gedung berlantai sembilan. Ya, efek relativistik akan bekerja untuk kasus ini juga. Tetapi Anda akan benar-benar menyulitkan tugas Anda, dan sebagai imbalannya Anda akan menerima peningkatan akurasi sebesar 0,0000001%.

Tetap sederhana dan mudah.

PS
Jika Anda ingin melihat contoh menggunakan model seperti itu, maka dalam artikel ini saya memodelkan memori dalam otak biologis menggunakan beberapa poin yang tercantum di atas.