Neurônios e sua modelagem

Recentemente, escrevi um artigo sobre como a memória funciona no cérebro . Alguns comentários disseram que eu não divulguei suficientemente o tópico das características de um neurônio biológico. E eu decidi consertar meu erro.

Este artigo é uma lista dos principais mecanismos que distinguem os neurônios biológicos de um modelo simples com pesos de ligação e um limiar de ativação. Vou lhe dizer como corrigir o modelo, se você precisar levar esses recursos em consideração.

Começamos aqui com esta imagem simples:

1. Temos neurônios diferentes

Problema: Existem muitos tipos de neurotransmissores no cérebro, e cada neurônio possui seu próprio conjunto de receptores.


Solução: Colorir as bolas dos neurônios, destacando as que respondem a um neurotransmissor específico. Se você precisar de vários neurotransmissores para um neurônio - pinte-o em várias cores. Se cada neurotransmissor, à sua maneira, afeta a carga do neurônio, crie uma função da carga do neurônio para cada neurotransmissor. Descreva um neurônio com a composição dessas funções.

2. Uma carga vaza de neurônios

Problema: Um neurônio real não armazena todas as partículas carregadas por um período infinito de tempo, mas se descarrega gradualmente.

Solução: defina a função da descarga do neurônio de tempos em tempos. Se necessário, você pode ter um para cada neurônio. Mas, em geral, a carga vaza devido à diferença de potencial, de modo que há uma situação como com um capacitor de autodescarga - teremos algo como:$$$U(t) = U_0*e^{-t/RC}$ , onde U é a diferença de potencial entre o neurônio e o ambiente, t é o tempo, R é a resistência da membrana, C é a capacidade do sistema neurônio-membrana-ambiente. A propósito, isso já foifeito.

3. Neurônios podem ser ativados sem sinal de outros neurônios

Problema: Como o neurônio real não está preocupado com a origem dos neurotransmissores, ele pode ser ativado por si só, simplesmente a partir da liberação de neurotransmissores no cérebro.

Solução: adicione algo que, quando ativado, aumentará a carga de todos os neurônios. Pinte-o na cor do neurotransmissor desejado. Ative quando precisar simular uma fonte externa de neurotransmissor.

4. Existem neurônios que não têm dendritos

Problema: alguns neurônios não recebem um sinal de entrada de outros, ativando apenas a partir do nível dos neurotransmissores.

Solução: Veja o parágrafo acima.

5. Neurogênese

Problema: Novos neurônios e conexões crescem no cérebro. E eles morrem, a propósito também.

Solução: adicione dinamicamente novos neurônios e conexões se você precisar simular a neurogênese. Para simular o processo inverso - exclua.

6. Conexões entre neurônios - não estáticos

Problema: Quando os neurônios são ativados, as conexões entre eles são fortalecidas ou enfraquecidas. Depende da ordem de ativação. Se a direção de ativação for direta, ou seja, primeiro, um neurônio é ativado a partir do qual a flecha sai e depois aquele em que entra - a conexão é fortalecida. Se o oposto está enfraquecendo.

Solução: reduza ou aumente o peso da conexão, dependendo da ordem de ativação. E sim, o peso pode ser zero. Isso significa que a conexão é tão fraca que a ativação de um neurônio não afeta o outro. Mas, potencialmente, podemos aprimorar essa conexão por meio de ativações diretas externas - portanto, você não pode simplesmente removê-la.

7. memória de longo prazo

Problema: O cérebro real pode "consertar" o estado da comunicação e, assim, garantir a disponibilidade de memória de longo prazo. O processo é chamado de Potenciação tardia a longo prazo.

Solução: lembre - se do valor do peso no momento da "fixação" da conexão. Retorne a força da conexão a ela após fortalecer ou enfraquecer a conexão. Se a conexão for corrigida novamente - atualize o valor salvo.

8. Esquecendo informações da memória de longo prazo

Problema: O cérebro real é capaz de degradar até as conexões recebidas pelo mecanismo anterior.

Solução: execute a degradação da comunicação usando o mecanismo da cláusula 6. (ativação na direção oposta da ordem de comunicação) e registre o resultado usando a cláusula 7.

9. Substâncias

Problema: Os portadores de cérebros reais às vezes comem pílulas que regulam os neurotransmissores naturais ou são suas contrapartes estruturais. Por exemplo, os antidepressivos SSRI aumentam a quantidade de serotonina que atua nos neurônios, e os blocos de madeira bloqueiam os receptores de dopamina.

Solução: enfraquecer ou amplificar todos os sinais de neurônios da cor correspondente. Por exemplo, bloqueamos a dopamina - reduzimos a carga de todos os neurônios da dopamina em 90%. Tomamos um inibidor da recaptação de serotonina - aumentamos todas as ligações de serotonina em 30%. Tomamos um análogo estrutural da serotonina - aumentamos novamente, mas já em 3 vezes.

10. Qualquer outro problema

O carregamento de neurônios não é linear? Crie uma função e use-a para descrever o aumento de carga. Deseja descrever o efeito de outras entidades nos neurônios? Adicione-os ao seu modelo. A essência não muda - você sempre terá neurônios e conexões entre eles. Você pode personalizar o comportamento deles, dependendo de suas necessidades.

Deseja aproximá-lo do real? Uma lista dos 9 pontos acima ajudará. Você não precisa, porque sua tarefa é reconhecer as imagens? Esqueça todas essas nuances. Quer uma memória semelhante a uma memória em um cérebro biológico? Considere os pontos 5 a 8. Não há precisão suficiente? Mergulhe mais fundo na neurociência, desça outro nível e refine o modelo. Modele a sinapse, modele o comportamento dos receptores. Há espaço para manobras.

Muito já foi modelado antes, você pode usar esses resultados. Foi preciso algo específico que nem eu nem mais ninguém descrevemos - faça você mesmo.

Mas, se você não precisar de tanta precisão - esqueça. Você não precisa fazer engenharia demais apenas porque agora possui um conjunto de novos martelos brilhantes. É o mesmo que usar GR para simular uma queda de tijolos de um prédio de nove andares. Sim, efeitos relativísticos também funcionarão para este caso. Mas você complicará seriamente sua tarefa e, em troca, receberá um aumento na precisão de 0,0000001%.

Mantenha-o simples e direto.

PS
Se você quiser ver um exemplo de como usar esse modelo, neste artigo modelei a memória em um cérebro biológico usando alguns dos pontos listados acima.