Առասպելների ստեղծման և մտածողության առեղծվածը. ուղեղի նեյրոնային ցանցերը. Ուղեղի, նեյրոնային հաղորդակցության և էներգաարդյունավետության մարդկային նեյրոնային ցանց

Հոդված «bio / mol / text» մրցույթի համար. Բջջային գործընթացները, որոնք փոխանակում են նեյրոնների միջև տեղեկատվություն, պահանջում են մեծ էներգիա: Էլեկտրաէներգիայի մեծ սպառումը էվոլյուցիայի ընթացքում նպաստեց տեղեկատվության կոդավորման և փոխանցման ամենաարդյունավետ մեխանիզմների ընտրությանը: Այս հոդվածում դուք կիմանաք ուղեղի էներգիան ուսումնասիրելու տեսական մոտեցման, պաթոլոգիաների ուսումնասիրության մեջ նրա դերի մասին, թե որ նեյրոններն են ավելի զարգացած, ինչու է երբեմն ձեռնտու, որ սինապսները «չկրակեն», ինչպես նաև. ինչպես են նրանք ընտրում միայն այն տեղեկատվությունը, որն անհրաժեշտ է նեյրոնին:

Մրցույթի գլխավոր հովանավորն ընկերությունն է՝ կենսաբանական հետազոտությունների և արտադրության սարքավորումների, ռեակտիվների և սպառման նյութերի ամենամեծ մատակարարը։

Հանդիսատեսի մրցանակի հովանավորը և «Կենսաբժշկության այսօր և վաղը» անվանակարգի գործընկերը «Invitro»-ն էր:

Մրցույթի «Գիրք» հովանավոր՝ «Alpina non-fiction».

Մոտեցման ծագումը

Քսաներորդ դարի կեսերից հայտնի է դարձել, որ ուղեղը սպառում է ողջ օրգանիզմի էներգետիկ ռեսուրսների զգալի մասը՝ գլյուկոզայի մեկ քառորդը և ⅕ ամբողջ թթվածինը ավելի բարձր պրիմատների դեպքում։ Սա ոգեշնչեց Ուիլյամ Լևին և Ռոբերտ Բաքսթերին Մասաչուսեթսի տեխնոլոգիական ինստիտուտից (ԱՄՆ)՝ կենսաբանական նեյրոնային ցանցերում տեղեկատվության կոդավորման էներգաարդյունավետության տեսական վերլուծություն իրականացնելու համար (նկ. 1): Հետազոտությունը հիմնված է հետևյալ վարկածի վրա. Քանի որ ուղեղի էներգիայի սպառումը մեծ է, նրա համար ձեռնտու է ունենալ այնպիսի նեյրոններ, որոնք ամենաարդյունավետ են աշխատում. նրանք փոխանցում են միայն օգտակար տեղեկատվություն և ծախսում նվազագույն էներգիա:

Այս ենթադրությունը ճշմարիտ է պարզվել. նեյրոնային ցանցի պարզ մոդելի վրա հեղինակները վերարտադրել են որոշ պարամետրերի փորձարարական չափված արժեքները: Մասնավորապես, նրանց կողմից հաշվարկված իմպուլսների առաջացման օպտիմալ հաճախականությունը տատանվում է 6-ից 43 իմպ./վրկ՝ գրեթե նույնը, ինչ հիպոկամպի հիմքի նեյրոններում։ Ըստ իմպուլսային հաճախականության՝ դրանք կարելի է բաժանել երկու խմբի՝ դանդաղ (~ 10 իմպուլս/վրկ) և արագ (~ 40 իմպուլս/վրկ): Ընդ որում, առաջին խումբը զգալիորեն գերազանցում է երկրորդին։ Նմանատիպ պատկեր է նկատվում նաև ուղեղային ծառի կեղևում. կան մի քանի անգամ ավելի դանդաղ բրգաձեւ նեյրոններ (~ 4-9 իմպ./վ), քան արագ արգելակող միջնեյրոնները (> 100 իմպ./վ): Այսպիսով, ըստ ամենայնի, ուղեղը «նախընտրում է» օգտագործել ավելի քիչ արագ և էներգիա սպառող նեյրոններ, որպեսզի նրանք չսպառեն բոլոր ռեսուրսները։

Նկար 1. Ցուցադրված են երկու նեյրոններ:Դրանցից մեկում մանուշակագույննախասինապտիկ սպիտակուցը սինապտոֆիզինը ներկված է: Մեկ այլ նեյրոն ամբողջությամբ ներկված է կանաչ լյումինեսցենտ սպիտակուց. Փոքր թեթև բծեր- սինապտիկ շփումներ նեյրոնների միջև: Ներդիրում մեկ կետ ավելի մոտ է ցուցադրվում:
Սինապսներով կապված նեյրոնների խմբերը կոչվում են նյարդային ցանցեր,. Օրինակ, ուղեղային ծառի կեղևում բրգաձև նեյրոնները և միջնեյրոնները կազմում են ընդարձակ ցանցեր։ Այս բջիջների լավ համակարգված «համերգային» աշխատանքը որոշում է մեր բարձր ճանաչողական և այլ կարողությունները։ Նմանատիպ ցանցերը, միայն այլ տեսակի նեյրոններից, բաշխված են ամբողջ ուղեղով, միացված են որոշակի ձևով և կազմակերպում են ամբողջ օրգանի աշխատանքը։

Ի՞նչ են միջնեյրոնները:

Կենտրոնական նյարդային համակարգի նեյրոնները բաժանվում են ակտիվացնելով (ձևավորել ակտիվացնող սինապսներ) և արգելակող (ձևավորում են արգելակող սինապսներ): Վերջիններս մեծ մասամբ ներկայացված են միջնեյրոններ կամ միջանկյալ նեյրոններ։ Ուղեղի կեղևում և հիպոկամպում նրանք պատասխանատու են ուղեղում գամմա ռիթմերի ձևավորման համար, որոնք ապահովում են այլ նեյրոնների համակարգված, համաժամանակյա աշխատանքը։ Սա չափազանց կարևոր է շարժիչ գործառույթների, զգայական տեղեկատվության ընկալման, հիշողության ձևավորման համար:

Գտնելով օպտիմալը

Փաստորեն, մենք խոսում ենք օպտիմալացման խնդրի մասին՝ գտնել ֆունկցիայի առավելագույնը և որոշել այն պարամետրերը, որոնց համար այն ձեռք է բերվել: Մեր դեպքում ֆունկցիան օգտակար տեղեկատվության քանակի և էներգիայի սպառման հարաբերակցությունն է: Օգտակար տեղեկատվության քանակը կարելի է մոտավորապես հաշվարկել՝ օգտագործելով Շենոնի բանաձևը, որը լայնորեն օգտագործվում է տեղեկատվության տեսության մեջ: Էներգիայի ծախսերը հաշվարկելու երկու եղանակ կա, և երկուսն էլ տալիս են արժանահավատ արդյունքներ: Դրանցից մեկը՝ «իոնների հաշվման մեթոդը», հիմնված է Na + իոնների քանակի հաշվման վրա, որոնք մտել են նեյրոն որոշակի ազդանշանային իրադարձության ժամանակ (AP կամ PSP, տես կողագոտին « Ինչ է գործողության ներուժը«) Հետագա փոխակերպմամբ մոլեկուլների թվին ադենոզին տրիֆոսֆատ (ATF), բջիջների հիմնական էներգետիկ «արժույթը»։ Երկրորդը հիմնված է էլեկտրոնիկայի օրենքների համաձայն մեմբրանի միջով իոնային հոսանքների նկարագրության վրա և թույլ է տալիս հաշվարկել նեյրոնի համարժեք էլեկտրական շղթայի հզորությունը, որն այնուհետև վերածվում է ATP ծախսերի:

Պարամետրերի այս «օպտիմալ» արժեքներն այնուհետև պետք է համեմատվեն փորձարարական չափվածների հետ և որոշեն, թե որքանով են դրանք տարբերվում: Տարբերությունների ընդհանուր պատկերը ցույց կտա աստիճանը օպտիմալացումտվյալ նեյրոնի ամբողջականությունը. որքանով է իրական, փորձնականորեն չափված, պարամետրերի արժեքները համընկնում են հաշվարկվածների հետ: Որքան քիչ են արտահայտված տարբերությունները, այնքան նեյրոնն ավելի մոտ է օպտիմալին և էներգետիկորեն աշխատում է ավելի արդյունավետ և օպտիմալ: Մյուս կողմից, կոնկրետ պարամետրերի համեմատությունը ցույց կտա, թե կոնկրետ ինչ հզորությամբ է այս նեյրոնը մոտ «իդեալին»:

Ավելին, նեյրոնների էներգաարդյունավետության համատեքստում դիտարկվում են երկու գործընթացներ, որոնց վրա հիմնված է ուղեղում տեղեկատվության կոդավորումը և փոխանցումը: Դա նյարդային ազդակ է կամ գործողության ներուժ, որի միջոցով կարող է լինել տեղեկատվությունը ուղարկվել է«հասցեատիրոջը» որոշակի հեռավորության վրա (միկրոմետրից մինչև մեկուկես մետր) և սինապտիկ փոխանցում, որը հիմք է հանդիսանում փաստացի. փոխանցումազդանշան մի նեյրոնից մյուսը.

Գործողությունների ներուժ

Գործողությունների ներուժ (PD) - ազդանշան, որը նեյրոններն ուղարկում են միմյանց: PD-ները տարբեր են՝ արագ և դանդաղ, փոքր և մեծ: Դրանք հաճախ կազմակերպվում են երկար հաջորդականությամբ (ինչպես տառերը բառերի մեջ), կամ կարճ բարձր հաճախականությամբ «փաթեթներով» (նկ. 2):

Նկար 2. Նեյրոնների տարբեր տեսակներ առաջացնում են տարբեր ազդանշաններ: Կենտրոնում- կաթնասունների ուղեղի երկայնական հատվածը. Ներդիրները ցույց են տալիս տարբեր տեսակի ազդանշաններ, որոնք գրանցվում են էլեկտրաֆիզիոլոգիական մեթոդներով: ա - Կեղևային ( Ուղեղի կեղև) բրգաձեւ նեյրոնները կարող են փոխանցել որպես ցածր հաճախականության ազդանշաններ ( Կանոնավոր կրակոցներ) և կարճ պայթուցիկ կամ պայթող ազդանշաններ ( Պայթյունային կրակոց). բ - Ուղեղիկի Պուրկինյեի բջիջների համար ( Ուղեղիկ), բնորոշ է միայն պոռթկման ակտիվությունը շատ բարձր հաճախականությամբ։ v - Թալամուսի ռելե նեյրոններ ( Թալամուս) ունեն գործունեության երկու եղանակ՝ պոռթկում և տոնիկ ( Տոնիկ կրակում). Գ - շղթայի միջին մասի նեյրոններ ( ՄՀբ, Միջին հաբենուլա) էպիթալամուսը առաջացնում է ցածր հաճախականության տոնիկ ազդանշաններ:

Ի՞նչ է գործողության ներուժը:

1. Մեմբրան և իոններ.Նեյրոնի պլազմային թաղանթը պահպանում է նյութերի անհավասար բաշխումը բջջի և արտաբջջային միջավայրի միջև (նկ. 3): բ): Այս նյութերի մեջ կան նաև փոքր իոններ, որոնցից K+ և Na+-ը կարևոր են AP-ի նկարագրության համար։
   Բջջի ներսում քիչ Na + իոններ կան, իսկ դրսում՝ շատ։ Դրա պատճառով նրանք անընդհատ ձգտում են վանդակ մտնել։ Ընդհակառակը, բջջի ներսում շատ K + իոններ կան, և նրանք ձգտում են լքել այն: Իոններն ինքնուրույն չեն կարող դա անել, քանի որ թաղանթը նրանց համար անթափանց է։ Որպեսզի իոնները մեմբրանի միջով անցնեն, պետք է բացվեն հատուկ սպիտակուցներ. իոնային ալիքներթաղանթներ.



Նկար 3. Նեյրոն, իոնային ուղիներ և գործողության ներուժ: ա - Առնետների գլխուղեղի կեղևի ճրագալույցի բջիջի վերակառուցում: Կապույտդենդրիտները և նեյրոնի մարմինը ներկված են (կենտրոնում կապույտ կետ), կարմիր- աքսոն (նեյրոնների շատ տեսակներում աքսոնը շատ ավելի ճյուղավորված է, քան դենդրիտները): Կանաչև բոսորագույն նետերնշեք տեղեկատվության հոսքի ուղղությունը. դենդրիտները և նեյրոնի մարմինը ստանում են այն, աքսոնն այն ուղարկում է այլ նեյրոններ: բ - Նեյրոնի թաղանթը, ինչպես ցանկացած այլ բջիջ, պարունակում է իոնային ուղիներ: Կանաչ շրջանակներ- Na + իոններ, Կապույտ- իոններ K +. v - Մեմբրանի ներուժի փոփոխություն Պուրկինյեի նեյրոնի կողմից գործողության ներուժի (AP) առաջացման ընթացքում: Կանաչ տարածք Na-ալիքները բաց են, Na + իոնները մտնում են նեյրոն, տեղի է ունենում ապաբևեռացում։ Կապույտ տարածք. K-ալիքները բաց են, K + դուրս է գալիս, տեղի է ունենում ռեբևեռացում: Կանաչ և կապույտ շրջանների համընկնումը համապատասխանում է այն ժամանակաշրջանին, երբ Na + և K + դուրս են գալիս միաժամանակ:

2. Իոնային ալիքներ.Ալիքների բազմազանությունը հսկայական է,. Ոմանք բացվում են ի պատասխան մեմբրանի ներուժի փոփոխության, մյուսները՝ կապված լիգանդի հետ (օրինակ՝ սինապսում գտնվող նեյրոհաղորդիչ), մյուսները՝ մեմբրանի մեխանիկական փոփոխությունների հետևանքով և այլն։ Ալիքի բացումը բաղկացած է նրա կառուցվածքի փոփոխումից, որի արդյունքում իոնները կարող են անցնել դրա միջով։ Որոշ ալիքներ թույլ են տալիս անցնել միայն որոշակի տեսակի իոնների միջով, իսկ մյուսները բնութագրվում են խառը հաղորդունակությամբ:
   AP-ի սերնդում առանցքային դեր են խաղում ալիքները, որոնք «զգում են» մեմբրանի ներուժը. պոտենցիալ կախվածիոնային ալիքներ. Նրանք բացվում են ի պատասխան մեմբրանի ներուժի փոփոխության: Դրանցից մեզ հետաքրքրում են լարումից կախված նատրիումի ալիքները (Na-channels), որոնք թույլ են տալիս անցնել միայն Na + իոնների միջով, և լարման կախված կալիումի ալիքները (K-channels), որոնք թույլ են տալիս անցնել միայն K + իոնների միջով։

AP-ն համեմատաբար ուժեղ ամպլիտուդով կտրուկ փոփոխություն է մեմբրանի ներուժում:

3. Իոնային հոսանք և PD. AP-ի հիմքը իոնային հոսանքն է՝ իոնների շարժումը մեմբրանի իոնային ուղիներով։ Քանի որ իոնները լիցքավորված են, դրանց հոսանքը հանգեցնում է նեյրոնի ներսում և դրսում ընդհանուր լիցքի փոփոխության, ինչը անմիջապես հանգեցնում է մեմբրանի ներուժի փոփոխության:
   AP-ի առաջացումը, որպես կանոն, տեղի է ունենում աքսոնի սկզբնական հատվածում՝ դրա այն հատվածում, որը հարում է նեյրոնի մարմնին: Այստեղ կենտրոնացած են բազմաթիվ Na-ալիքներ։ Եթե ​​դրանք բացվեն, Na + իոնների հզոր հոսանքը կխուժի աքսոն, և ապաբեւեռացումթաղանթներ - մեմբրանի ներուժի նվազում բացարձակ արժեքով (նկ. 3 v): Հաջորդը, դուք պետք է վերադառնաք իր սկզբնական արժեքին. ռեբևեռացում... Դրա համար պատասխանատու են K + իոնները: Երբ K-ալիքները բացվում են (առավելագույն AP-ից քիչ առաջ), K + իոնները սկսում են հեռանալ բջիջից և վերաբևեռացնել թաղանթը:
   Ապաբևեռացումը և վերաբևեռացումը PD-ի երկու հիմնական փուլերն են: Նրանցից բացի առանձնանում են ևս մի քանիսը, որոնք կարիք չունենալու պատճառով այստեղ չեն դիտարկվում։ PD սերնդի մանրամասն նկարագրությունը կարելի է գտնել,. PD-ի համառոտ նկարագրությունը կա նաև «Կենսամոլեկուլ» հոդվածներում:
4. Աքսոնի սկզբնական հատվածը և AP-ի սկիզբը:Ի՞նչն է հանգեցնում աքսոնի սկզբնական հատվածում Na-ալիքների բացմանը: Կրկին, մեմբրանի ներուժի փոփոխությունը, որը «գալիս է» նեյրոնի դենդրիտների երկայնքով (նկ. 3): ա): Սա - հետսինապտիկ պոտենցիալներ (PSP) առաջանում է սինապտիկ փոխանցումից: Այս գործընթացը ավելի մանրամասն նկարագրված է հիմնական տեքստում:
5. Անցկացնելով PD.Մոտակայքում գտնվող Na-ալիքները անտարբեր չեն լինի AP-ի նկատմամբ աքսոնի սկզբնական հատվածում: Նրանք կբացվեն նաև ի պատասխան մեմբրանի ներուժի այս փոփոխության, որը նույնպես կառաջացնի PD: Վերջինս իր հերթին նմանատիպ «ռեակցիա» կառաջացնի աքսոնի հաջորդ հատվածում՝ նեյրոնի մարմնից ավելի հեռու, եւ այլն։ Ահա թե ինչպես է դա տեղի ունենում անցկացումը PD երկայնքով axon,. Ի վերջո, այն կհասնի իր նախասինապտիկ վերջավորություններին ( բոսորագույն նետերնկ. 3 ա), որտեղ այն կարող է առաջացնել սինապտիկ փոխանցում:
6. AP-ի արտադրության համար էներգիայի սպառումը ավելի քիչ է, քան սինապսների շահագործման համար:Քանի՞ մոլեկուլ է ադենոզին տրիֆոսֆատը (ATP), որը էներգիայի հիմնական «արժույթն» է, արժե PD: Ըստ մեկ գնահատականի՝ առնետի ուղեղային ծառի կեղևի բրգաձեւ նեյրոնների համար էներգիայի սպառումը վայրկյանում 4 AP-ների առաջացման համար կազմում է նեյրոնի ընդհանուր էներգիայի սպառման ⅕-ը: Եթե ​​հաշվի առնենք ազդանշանային այլ գործընթացները, մասնավորապես՝ սինապտիկ փոխանցումը, ապա համամասնությունը կլինի ⅘։ Ուղեղի կեղևի համար, որը պատասխանատու է շարժիչի գործառույթների համար, իրավիճակը նման է. ելքային ազդանշանի ստեղծման համար էներգիայի սպառումը կազմում է բոլորի 15%-ը, իսկ մոտ կեսը ծախսվում է մուտքային տեղեկատվության մշակման վրա: Այսպիսով, PD-ն հեռու է ամենաէներգախնայող գործընթացից: Երբեմն ավելի շատ էներգիա է պահանջվում սինապսի աշխատանքի համար. Այնուամենայնիվ, դա չի նշանակում, որ PD-ի արտադրության գործընթացը չի ցուցադրում էներգաարդյունավետության հատկանիշներ:

Տարբեր տեսակի նեյրոնների վերլուծությունը (նկ. 4) ցույց է տվել, որ անողնաշարավորների նեյրոնները այնքան էլ էներգաարդյունավետ չեն, և որոշ ողնաշարավոր նեյրոններ գրեթե կատարյալ են։ Այս հետազոտության արդյունքների համաձայն՝ հիպոկամպուսի միջնեյրոնները, որոնք մասնակցում են հիշողության և հույզերի ձևավորմանը, և թալամոկորտիկական ռելե նեյրոնները, որոնք զգայական տեղեկատվության հիմնական հոսքը թալամուսից դեպի ուղեղի կեղև են տեղափոխում, ամենաէներգաարդյունավետը:

Նկար 4. Տարբեր նեյրոններ արդյունավետ են տարբեր ձևերով:Նկարը ցույց է տալիս տարբեր տեսակի նեյրոնների էներգիայի սպառման համեմատությունը: Մոդելներում էներգիայի ծախսերը հաշվարկվում են որպես պարամետրերի սկզբնական (իրական) արժեքներով ( սև սյուներ), իսկ օպտիմալներով, որոնցում մի կողմից նեյրոնը կատարում է իրեն վերապահված ֆունկցիան, մյուս կողմից՝ ծախսում է նվազագույն էներգիա ( մոխրագույն սյուներ): Ներկայացվածներից ամենաարդյունավետը ողնաշարավորների երկու տեսակի նեյրոններն էին` հիպոկամպային միջնեյրոնները ( առնետի հիպոկամպային միջնեյրոն, RHI) և թալամոկորտիկ նեյրոններ ( մկնիկի թալամոկորտիկ ռելե բջիջ, MTCR), քանի որ նրանց համար սկզբնական մոդելում էներգիայի սպառումը մոտ է օպտիմալացվածի էներգիայի սպառմանը։ Ի հակադրություն, անողնաշարավորների նեյրոններն ավելի քիչ արդյունավետ են: Լեգենդ: Ս.Ա (կաղամար axon) - հսկա կաղամար axon; ԿԱ (խեցգետնի աքսոն) - խեցգետնի աքսոն; MFS (մկան արագ spiking cortical interneuron) - մկնիկի արագ կեղևային միջնեյրոն; Բ.Կ (մեղու սնկի մարմին Kenyon բջիջ) - Քենյոնի սնկի մեղվի բջիջ:

Ինչու են դրանք ավելի արդյունավետ: Քանի որ նրանք ունեն Na և K հոսանքների քիչ համընկնումը: PD-ի առաջացման ընթացքում միշտ կա ժամանակային ընդմիջում, երբ այս հոսանքները միաժամանակ առկա են (նկ. 3): v): Այս դեպքում լիցքի փոխանցում գործնականում չկա, իսկ մեմբրանի ներուժի փոփոխությունը նվազագույն է։ Բայց ամեն դեպքում, այս հոսանքների համար պետք է «վճարել»՝ չնայած այս ընթացքում դրանց «անպետքությանը»։ Հետեւաբար, դրա տեւողությունը որոշում է, թե որքան էներգառեսուրսներ են վատնվում: Որքան կարճ է, այնքան ավելի արդյունավետ է էներգիայի օգտագործումը։ Որքան երկար, այնքան քիչ արդյունավետ: Պարզապես վերը նշված երկու տեսակի նեյրոններում, արագ իոնային կապուղիների շնորհիվ, այս ժամանակահատվածը շատ կարճ է, իսկ ԱԵԱ-ներն ամենաարդյունավետն են։

Ի դեպ, միջնեյրոնները շատ ավելի ակտիվ են, քան ուղեղի մյուս նեյրոնների մեծ մասը: Միևնույն ժամանակ, դրանք չափազանց կարևոր են նեյրոնների լավ համակարգված, համաժամանակյա աշխատանքի համար, որոնց հետ նրանք կազմում են փոքր տեղական ցանցեր։ Հավանաբար, միջնեյրոնային AP-ի բարձր էներգաարդյունավետությունը որոշակի ադապտացում է նրանց բարձր ակտիվությանը և այլ նեյրոնների աշխատանքը համակարգելու դերին:

Սինապս

Ազդանշանի փոխանցումը մի նեյրոնից մյուսը տեղի է ունենում նեյրոնների միջև հատուկ շփման ժամանակ, ներս սինապս ... Մենք միայն կքննարկենք քիմիական սինապսներ (կա ավելին էլեկտրական), քանի որ դրանք շատ տարածված են նյարդային համակարգում և կարևոր են բջջային նյութափոխանակության կարգավորման և սննդանյութերի մատակարարման համար։

Աքսոնի նախասինապտիկ վերջում AP-ն առաջացնում է նյարդային հաղորդիչի արտազատում դեպի արտաբջջային միջավայր՝ ընդունող նեյրոն: Վերջինս սրան միայն անհամբերությամբ է սպասում՝ դենդրիտների թաղանթում ընկալիչները՝ որոշակի տեսակի իոնային ուղիները, կապում են նեյրոհաղորդիչին, բացում և իրենց միջով անցնում տարբեր իոններ։ Սա հանգեցնում է մի փոքր սերնդի հետսինապտիկ ներուժ(PSP) դենդրիտային թաղանթի վրա: Այն նման է AP-ին, բայց շատ ավելի քիչ ամպլիտուդով և առաջանում է այլ ալիքների բացման պատճառով: Այս փոքր PSP-ների մեծ մասը, յուրաքանչյուրն իր սինապսից, «ներքև» է իջնում ​​դենդրիտային թաղանթի երկայնքով դեպի նեյրոնի մարմինը ( կանաչ սլաքներնկ. 3 ա) և հասնում են աքսոնի սկզբնական հատվածին, որտեղ նրանք առաջացնում են Na-ալիքների բացում և «գրգռում» այն առաջացնել AP:

Նման սինապսները կոչվում են հուզիչ Դրանք նպաստում են նեյրոնների ակտիվացմանը և AP առաջացմանը: Այնտեղ կան նաեւ արգելակող սինապսներ. Ընդհակառակը, դրանք նպաստում են դանդաղեցմանը և կանխում ԱԵ առաջացմանը: Հաճախ նույն նեյրոնի վրա կան երկու սինապսներ։ Արգելակման և գրգռման միջև որոշակի հարաբերությունը կարևոր է ուղեղի բնականոն գործունեության, ավելի բարձր ճանաչողական գործառույթներին ուղեկցող ուղեղային ռիթմերի ձևավորման համար:

Տարօրինակ կերպով, սինապսում նեյրոհաղորդիչի արտազատումը կարող է ընդհանրապես տեղի չունենալ. սա հավանական գործընթաց է: Նեյրոնները էներգիա են խնայում այս կերպ. սինապտիկ փոխանցումն արդեն կազմում է նեյրոնների էներգիայի սպառման մոտ կեսը: Եթե ​​սինապսները միշտ աշխատեին, ողջ էներգիան կուղղվեր նրանց աշխատանքը ապահովելու համար, և այլ գործընթացների համար ռեսուրսներ չէին մնա։ Ավելին, նեյրոհաղորդիչների ազատման ցածր հավանականությունն է (20–40%), որը համապատասխանում է սինապսների ամենաբարձր էներգիայի արդյունավետությանը։ Օգտակար տեղեկատվության քանակի և այս դեպքում ծախսած էներգիայի հարաբերակցությունը առավելագույնն է,. Այսպիսով, պարզվում է, որ «անհաջողությունները» կարևոր դեր են խաղում սինապսների և, համապատասխանաբար, ամբողջ ուղեղի աշխատանքի մեջ։ Եվ դուք չպետք է անհանգստանաք ազդանշանի փոխանցման մասին, երբ սինապսները երբեմն «չեն աշխատում», քանի որ սովորաբար նեյրոնների միջև կան բազմաթիվ սինապսներ, և դրանցից առնվազն մեկը կաշխատի:

Սինապտիկ փոխանցման մեկ այլ առանձնահատկություն է ընդհանուր տեղեկատվական հոսքի բաժանումը առանձին բաղադրիչների` ըստ մուտքային ազդանշանի մոդուլյացիայի հաճախականության (կոպիտ ասած, մուտքային AP-ի հաճախականությունը): Դա պայմանավորված է հետսինապտիկ մեմբրանի վրա տարբեր ընկալիչների համակցությամբ: Որոշ ընկալիչներ շատ արագ են ակտիվանում, օրինակ. AMPA ընկալիչները (AMPA-ն գալիս է α-ից ա մինո-3-հիդրօքսի-5- մ էթիլ-4-իզոքսազոլ էջ ռոպիոնիկ ա cid): Եթե ​​հետսինապտիկ նեյրոնում առկա են միայն այդպիսի ընկալիչներ, այն կարող է հստակ ընկալել բարձր հաճախականության ազդանշան (ինչպես, օրինակ, Նկար 2-ում: v): Ամենավառ օրինակը լսողական համակարգի նեյրոններն են, որոնք ներգրավված են ձայնի աղբյուրի գտնվելու վայրի որոշման և խոսքի մեջ լայնորեն ներկայացված կարճ հնչյունների ճշգրիտ ճանաչման մեջ, ինչպիսիք են սեղմելը: NMDA ընկալիչները (NMDA - ից Ն -մ էթիլ- Դ -ա սպարտատ) ավելի դանդաղ են: Նրանք թույլ են տալիս նեյրոններին ընտրել ավելի ցածր հաճախականության ազդանշաններ (նկ. 2 Գ), ինչպես նաև ընկալել ԱԵԱ-ների բարձր հաճախականության շարքը որպես միասնական մի բան՝ այսպես կոչված սինապտիկ ազդանշանների ինտեգրում։ Կան նույնիսկ ավելի դանդաղ մետաբոտրոֆիկ ընկալիչներ, որոնք, երբ միանում է նեյրոհաղորդիչը, ազդանշան են փոխանցում ներբջջային «երկրորդային սուրհանդակների» շղթային՝ կարգավորելու տարբեր բջջային գործընթացները: Օրինակ, G- սպիտակուցի հետ կապված ընկալիչները լայն տարածում ունեն: Կախված տեսակից, նրանք, օրինակ, կարգավորում են մեմբրանի ալիքների քանակը կամ ուղղակիորեն մոդուլավորում են դրանց աշխատանքը։

Արագ AMPA-ի, ավելի դանդաղ NMDA-ի և մետաբոտրոֆիկ ընկալիչների տարբեր համակցությունները թույլ են տալիս նեյրոններին ընտրել և օգտագործել իրենց համար առավել օգտակար տեղեկատվությունը, ինչը կարևոր է նրանց գործունեության համար: Իսկ «անպետք» ինֆորմացիան վերացվում է, այն չի «ընկալվում» նեյրոնի կողմից։ Այս դեպքում դուք չպետք է վատնեք էներգիան՝ ավելորդ տեղեկատվության մշակման վրա։ Սա նեյրոնների միջև սինապտիկ փոխանցման օպտիմալացման ևս մեկ ասպեկտ է:

Էլ ինչ?

Հետազոտվում է նաև ուղեղի բջիջների էներգաարդյունավետությունը՝ կապված նրանց մորֆոլոգիայի հետ: Հետազոտությունները ցույց են տալիս, որ դենդրիտների և աքսոնների ճյուղավորումը քաոսային չէ և նաև խնայում է էներգիան։ Օրինակ, աքսոնը ճյուղավորվում է այնպես, որ ճանապարհի ընդհանուր երկարությունը, որով անցնում է AP-ն, ամենափոքրն է: Այս դեպքում էներգիայի սպառումը աքսոնի երկայնքով AP անցկացնելու համար նվազագույն է:

Նեյրոնի էներգիայի սպառման նվազումը ձեռք է բերվում նաև արգելակող և գրգռող սինապսների որոշակի հարաբերակցությամբ: Սա ուղղակիորեն կապված է, օրինակ. իշեմիա(անոթներում արյան շրջանառության խանգարման հետևանքով առաջացած պաթոլոգիական վիճակ) ուղեղի. Այս պաթոլոգիայում, ամենայն հավանականությամբ, առաջին հերթին ձախողվում են նյութափոխանակության առումով ամենաակտիվ նեյրոնները: Կեղևում դրանք ներկայացված են արգելակող միջնեյրոններով, որոնք ձևավորում են արգելակող սինապսներ բազմաթիվ այլ բրգաձև նեյրոնների վրա: Միջնեյրոնների մահվան հետևանքով բրգաձևի արգելակումը նվազում է։ Արդյունքում բարձրանում է վերջիններիս ակտիվության ընդհանուր մակարդակը (ավելի հաճախ ակտիվացնող սինապսներ են հրահրվում, ավելի հաճախ՝ ԱՊ-ներ)։ Դրան անմիջապես հաջորդում է նրանց էներգիայի սպառման աճը, որը իշեմիայի պայմաններում կարող է հանգեցնել նեյրոնների մահվան։

Պաթոլոգիաներն ուսումնասիրելիս ուշադրություն է դարձվում նաև սինապտիկ փոխանցմանը` որպես ամենաէներգախախնող գործընթացի։ Օրինակ՝ Պարկինսոնի, Հանթինգթոնի, Ալցհեյմերի հիվանդությունների դեպքում նկատվում է աշխատանքի խանգարում կամ տեղափոխում դեպի միտոքոնդրիաների սինապսներ, որոնք մեծ դեր են խաղում ATP-ի սինթեզում: Պարկինսոնի հիվանդության դեպքում դա կարող է կապված լինել նիգրայի խիստ էներգիա սպառող նեյրոնների խզման և մահվան հետ, ինչը կարևոր է շարժիչ գործառույթների և մկանային տոնուսի կարգավորման համար: Հանթինգթոնի հիվանդության ժամանակ Huntingtin մուտանտ սպիտակուցը խաթարում է նոր միտոքոնդրիաների սինապսներին հասցնելու մեխանիզմները, ինչը հանգեցնում է վերջիններիս «էներգետիկ սովի», նեյրոնների խոցելիության բարձրացման և ավելորդ ակտիվացման։ Այս ամենը կարող է առաջացնել նեյրոնների աշխատանքի հետագա խանգարումներ՝ ստրիատի և գլխուղեղի կեղևի հետագա ատրոֆիայով: Ալցհեյմերի հիվանդության ժամանակ միտոքոնդրիալ դիսֆունկցիան (սինապսների քանակի նվազմանը զուգահեռ) առաջանում է ամիլոիդային թիթեղների նստվածքի պատճառով։ Վերջիններիս ազդեցությունը միտոքոնդրիաների վրա հանգեցնում է օքսիդատիվ սթրեսի, ինչպես նաև ապոպտոզի՝ նեյրոնների բջիջների մահվան։

Եվս մեկ անգամ ամեն ինչի մասին

Քսաներորդ դարի վերջում ծնվեց ուղեղի ուսումնասիրության մոտեցումը, որում միաժամանակ դիտարկվում են երկու կարևոր բնութագրեր. էներգիան, որը նա ծախսում է: Նրանց հարաբերակցությունը մի տեսակ չափանիշ է նեյրոնների, նեյրոնային ցանցերի և սինապսների էներգաարդյունավետության համար։

Այս չափանիշի օգտագործումը հաշվողական նյարդակենսաբանության մեջ ապահովել է գիտելիքների զգալի աճ՝ կապված որոշակի երևույթների, գործընթացների դերի հետ: Մասնավորապես, սինապսում նեյրոհաղորդիչի ազատման ցածր հավանականությունը, նեյրոնի արգելակման և գրգռման միջև որոշակի հավասարակշռություն, ընկալիչների որոշակի համակցության պատճառով միայն որոշակի տեսակի մուտքային տեղեկատվության թողարկումը, այս ամենը օգնում է խնայել. արժեքավոր էներգետիկ ռեսուրսներ.

Ավելին, ազդանշանային պրոցեսների էներգիայի սպառման բուն որոշումը (օրինակ՝ ԱՊ-ի արտադրություն, անցկացում, սինապտիկ փոխանցում) հնարավորություն է տալիս պարզել, թե դրանցից որն է առաջին հերթին տուժելու սննդանյութերի մատակարարման պաթոլոգիական խանգարման դեպքում: Քանի որ ամենից շատ էներգիա է պահանջվում սինապսների աշխատանքի համար, նրանք առաջինն են ձախողվում այնպիսի պաթոլոգիաներում, ինչպիսիք են իշեմիան, Ալցհեյմերի և Հանթինգթոնի հիվանդությունները: Նմանապես տարբեր տեսակի նեյրոնների էներգիայի սպառման որոշումն օգնում է պարզել, թե պաթոլոգիայի դեպքում նրանցից ով ավելի շուտ կմահանա, քան մյուսները։ Օրինակ, նույն իշեմիայի դեպքում առաջին հերթին կձախողվեն կեղևի միջնեյրոնները. Իրենց ինտենսիվ նյութափոխանակության շնորհիվ այս նույն նեյրոնները ծերացման, Ալցհեյմերի հիվանդության և շիզոֆրենիայի ժամանակ ամենախոցելի բջիջներն են։

Երախտագիտություն

Ես անկեղծորեն երախտապարտ եմ ծնողներիս՝ Օլգա Նատալևիչին և Ալեքսանդր Ժուկովին, քույրերին՝ Լյուբա և Ալենային, իմ գիտական ​​խորհրդատու Ալեքսեյ Բրաժային և հրաշալի լաբորատոր ընկերներ Էվելինա Նիկելշպարգին և Օլգա Սլատինսկայային՝ իրենց աջակցության և ոգեշնչման, հոդվածը կարդալիս արված արժեքավոր մեկնաբանությունների համար: Անչափ շնորհակալ եմ նաև հոդվածի խմբագիր Աննա Պետրենկոյին և Biomolecule-ի գլխավոր խմբագիր Անտոն Չուգունովին՝ նշումների, առաջարկությունների և մեկնաբանությունների համար։

գրականություն

1. Շատակեր ուղեղ;
2. SEYMOUR S. KETY. (1957): ՈՒՂԵՂԻ ԸՆԴՀԱՆՈՒՐ ՄԵԹԱԲՈԼԻԶՄԸ VIVO-ում. Նյարդային համակարգի նյութափոխանակությունը. 221-237;
3. L. Sokoloff, M. Reivich, C. Kennedy, M. H. Des Rosiers, C. S. Patlak և այլն: al .. (1977): ԴԵՕՔՍԻԳԼՈՒԿՈԶԱՅԻՆ ՄԵԹՈԴԸ ՀԱՄԱՐ ՈՒՂԵՂԵՂԱՅԻՆ ԳԼՈՒԿՈԶԻ ՏԵՂԱԿԱՆ ՕԳՏԱԳՈՐԾՄԱՆ ՉԱՓՄԱՆ ՀԱՄԱՐ. տեսություն, ընթացակարգ և նորմալ արժեքներ գիտակից և անզգայացված ալբինոս առնետում: J Neurochem. 28 , 897-916;
4. Magistretti P.J. (2008): Ուղեղի էներգիայի նյութափոխանակություն. Հիմնարար նյարդաբանության մեջ // Ed by. Squire L.R., Berg D., Bloom F.E., du Lac S., Ghosh A., Spitzer N. San Diego: Academic Press, 2008. P. 271-297;
5. Pierre J. Magistretti, Իգոր Ալլաման. (2015). Բջջային հեռանկար ուղեղի էներգիայի նյութափոխանակության և ֆունկցիոնալ պատկերման վերաբերյալ: Նեյրոն. 86 , 883-901;
6. Ուիլյամ Բ Լևի, Ռոբերտ Ա. Բաքսթեր: (1996): Էներգաարդյունավետ նյարդային կոդեր: Նյարդային հաշվարկ. 8 , 531-543;
7. Sharp P.E. and Green C. (1994): Ազատ տեղաշարժվող առնետի ենթաբեկուլում առանձին բջիջների կրակման օրինաչափությունների տարածական հարաբերակցությունը: J. Neurosci. 14 , 2339–2356;
8. H. Hu, J. Gan, P. Jonas. (2014). Արագ աճող, պարվալբումին + GABAergic միջնեյրոններ. բջջային ձևավորումից մինչև միկրոշրջանների գործառույթ: Գիտություն. 345 , 1255263-1255263;
9. Օլիվեր Կանն, Իսմինի Է Պապեորգիու, Անդրեաս Դրագուն: (2014). Բարձր էներգիայով արգելակող միջնեյրոնները կեղևային ցանցերում տեղեկատվության մշակման կենտրոնական տարր են: J Cereb արյան հոսքի Metab. 34 , 1270-1282;
10. Դեյվիդ Աթուել, Սայմոն Բ. Լաֆլին: (2001): Ուղեղի գորշ հարցում ազդանշան տալու համար էներգետիկ բյուջե: J Cereb արյան հոսքի Metab. 21 , 1133-1145;
11. Հենրի Մարկրամ, Մարիա Տոլեդո-Ռոդրիգես, Յուն Վանգ, Անիրուդ Գուպտա, Գիլադ Սիլբերբերգ, Կայժի Վու: (2004):

Եթե ​​բացատրում եք «մատների վրա», ապա ցանկացած նեյրոնային ցանցի հիմնական տարրերը նեյրոններն են։ Յուրաքանչյուր նեյրոն ստանում է մեկ կամ մի քանի ազդանշաններ (թվեր) որպես մուտքագրում, մշակում դրանք խորամանկ (կամ ոչ շատ) ձևով և այնուհետև փոխանցում արդյունքը:

Նեյրոնները միավորվում են հաջորդական շերտերի մեջ։ Երկու արտաքին շերտերը` մուտքային և ելքային, ընդգծված են առանձին: Մուտքային շերտի միջոցով նեյրոնային ցանցը ստանում է տեղեկատվություն, ելքային շերտի միջոցով փոխանցում է դրա մշակման արդյունքը։ Բոլոր միջանկյալ շերտերը կոչվում են թաքնված:

Յուրաքանչյուր թաքնված շերտ միացված է երկու հարակից (նախորդ և հաջորդ) միացումների բարդ համակարգով (ներողություն տավտոլոգիայի համար): Ամենապարզ դեպքում, նախորդ շերտի յուրաքանչյուր նեյրոնից ազդանշանները մտնում են նրա յուրաքանչյուր նեյրոն, մշակվում և այն թողնում հաջորդ շերտի յուրաքանչյուր նեյրոնին:

Այնուամենայնիվ, դեռ ավելին է սպասվում: Յուրաքանչյուր հղում ունի իր կշիռը: Այսինքն՝ մի նեյրոնից ստացվող ազդանշանը, մինչ այն անցնում է մյուսին, մի փոքր փոխում է արժեքը (այս ազդանշանի արժեքը բազմապատկվում է այս «կշռով»):

Եթե ​​կապի կշիռներին պատահական արժեքներ վերագրենք, ապա նման նեյրոնային ցանցը ոչ մի իմաստալից բան չի անի: Այսինքն՝ դրանք դեռ պետք է ինչ-որ կերպ ճիշտ ընտրվեն։ Այսինքն՝ նեյրոնային ցանցը պետք է վերապատրաստվի։

Ինչպես է ուսուցումը տեղի ունենում, ավելի հեշտ է ցույց տալ օրինակով: Ենթադրենք, մենք նեյրոնային ցանց ենք վարժեցնում՝ տարբերելու կատուների և շների պատկերները: Այնուհետև մենք նկարն ուղարկում ենք նեյրոնային ցանցի մուտքային շերտ, իսկ ելքում նեյրոնային ցանցը վերադարձնում է իրական թվեր 0-ից մինչև 1-ը: Առաջինը նշանակում է, թե որքան վստահ է նեյրոնային ցանցը, որ այն շուն է, իսկ երկրորդը նշանակում է, որ այն կատու է։ Թե ինչու են նրանք դա անում այսպես, հարց է, որին չի կարելի պատասխանել պարզ լեզվով: Այսինքն, եթե առաջին թիվը ավելի մեծ է, ապա նեյրոնային ցանցը որոշել է, որ շուն է տեսել, իսկ եթե երկրորդը, ապա կատու։

Այսպիսով, ժամանակն է վարժեցնել ցանցը: Նեյրոնային ցանցին պատկեր ենք տալիս։ Նա մեզ պատասխանում է հենց այս զույգ թվերով (ա, բ): Բայց մենք գիտենք, թե ով է նկարում, չէ՞: Հետեւաբար, մենք շտկում ենք նեյրոնային ցանցը։ Մասնավորապես, մենք «ուժով հրում ենք» ելքային շերտի մեջ մի զույգ (1, 0), եթե շուն է կամ (0, 1), եթե կատու է, և հետո ինչ-որ կախարդանք է տեղի ունենում (դա հասկանալու համար անհրաժեշտ է ունենալ որոշակի գիտելիքներ մաթեմատիկայից: ), ինչը ստիպում է նեյրոնային ցանցին վերաբաշխել կապի կշիռները։ Այս կախարդանքը կատարելու ամենատարածված միջոցը այսպես կոչված է. «հետտարածման մեթոդ», բայց կան ուրիշներ.

Բազմաթիվ տարբեր նկարներից հետո, որոնցով մենք նույնը կանենք, նեյրոնների միջև կապերի կշիռները կշարվեն այնպես, որ դա լավ կտարբերի կատուներին շներից։

Ինչպես տեսնում եք, կախարդանքը հայտնվել է միայն երկու տեղում. Դա հասկանալու համար պետք է ավելի խիստ տեքստեր կարդալ։ Ես խորհուրդ եմ տալիս սկսել հետևյալից.

Արհեստական ​​նեյրոնային ցանցերն օգտագործվում են գիտության տարբեր ոլորտներում՝ խոսքի ճանաչման համակարգերից մինչև սպիտակուցի երկրորդական կառուցվածքի ճանաչում, ...

Արհեստական ​​բանականություն, նեյրոնային ցանցեր, մեքենայական ուսուցում. ի՞նչ են իրականում նշանակում այս բոլոր հայտնի հասկացությունները: Չգիտակցված մարդկանց մեծամասնության համար, ինչպիսին ես ինքս եմ, նրանք միշտ ինչ-որ ֆանտաստիկ բան են թվում, բայց իրականում նրանց էությունը մակերեսի վրա է: Ես վաղուց միտք ունեի պարզ լեզվով գրել արհեստական ​​նեյրոնային ցանցերի մասին։ Սովորեք ինքներդ և պատմեք ուրիշներին, թե ինչ է այս տեխնոլոգիան, ինչպես է այն աշխատում, հաշվի առեք դրա պատմությունն ու հեռանկարները: Այս հոդվածում ես փորձեցի չմտնել ջունգլիներ, այլ պարզապես և հանրաճանաչ կերպով պատմել բարձր տեխնոլոգիաների աշխարհում այս խոստումնալից ուղղության մասին:

Մի քիչ պատմություն

Առաջին անգամ արհեստական ​​նեյրոնային ցանցերի (ANN) հայեցակարգն առաջացել է ուղեղի գործընթացները մոդելավորելու փորձի ժամանակ։ Այս ոլորտում առաջին խոշոր առաջընթացը կարելի է համարել 1943 թվականին McCulloch-Pitts նեյրոնային ցանցի մոդելի ստեղծումը։ Գիտնականներն առաջին անգամ մշակել են արհեստական ​​նեյրոնի մոդել: Նրանք նաև առաջարկեցին կառուցել այս տարրերից բաղկացած ցանց՝ տրամաբանական գործողություններ կատարելու համար։ Բայց ամենակարեւորը՝ գիտնականներն ապացուցել են, որ նման ցանցն ընդունակ է սովորել։

Հաջորդ կարևոր քայլը Դոնալդ Հեբի կողմից 1949 թվականին ANN-ի հաշվարկման առաջին ալգորիթմի մշակումն էր, որը հիմնարար դարձավ հաջորդ մի քանի տասնամյակների ընթացքում: 1958 թվականին Ֆրենկ Ռոզենբլատը մշակել է պարսեպտրոնը՝ համակարգ, որը կրկնօրինակում է ուղեղի պրոցեսները։ Ժամանակին տեխնոլոգիան նմաններ չուներ և մինչ օրս հիմնարար է նեյրոնային ցանցերում: 1986 թվականին, գործնականում միաժամանակ, միմյանցից անկախ, ամերիկացի և խորհրդային գիտնականները զգալիորեն կատարելագործեցին բազմաշերտ պերցեպտրոնի ուսուցման հիմնարար մեթոդը։ 2007 թվականին նեյրոնային ցանցերը վերածնվեցին։ Բրիտանացի համակարգչային գիտնական Ջեֆրի Հինթոնը ստեղծել է բազմաշերտ նեյրոնային ցանցերի խորը ուսուցման ալգորիթմ, որն այժմ օգտագործվում է, օրինակ, ինքնակառավարվող մեքենաների շահագործման համար:

Համառոտ գլխավորի մասին

Բառի ընդհանուր իմաստով նեյրոնային ցանցերը մաթեմատիկական մոդելներ են, որոնք աշխատում են կենդանական օրգանիզմի նյարդային բջիջների ցանցերի սկզբունքով։ ANN-ները կարող են ներդրվել ինչպես ծրագրավորվող, այնպես էլ ապարատային լուծումներով: Ընկալման հեշտության համար նեյրոնը կարելի է պատկերացնել որպես որոշակի բջիջ, որն ունի բազմաթիվ մուտքային և մեկ ելքային անցք: Ինչպես են բազմաթիվ մուտքային ազդանշանները ձևավորվում ելքայինների մեջ, որոշում է հաշվարկի ալգորիթմը: Նեյրոնի յուրաքանչյուր մուտքին տրվում են արդյունավետ արժեքներ, որոնք այնուհետև տարածվում են միջնեյրոնային կապերի երկայնքով (սինոփսիս): Սինապսներն ունեն մեկ պարամետր՝ քաշը, որի պատճառով մուտքային տեղեկատվությունը փոխվում է մի նեյրոնից մյուսը տեղափոխվելիս։ Նեյրոնային ցանցերի աշխատանքը պատկերացնելու ամենահեշտ ձևը կարելի է ներկայացնել գույների խառնման օրինակով: Կապույտ, կանաչ և կարմիր նեյրոններն ունեն տարբեր կշիռներ։ Այդ նեյրոնի ինֆորմացիան, որի քաշն ավելի գերիշխող կլինի հաջորդ նեյրոնում։

Նյարդային ցանցն ինքնին իրենից ներկայացնում է բազմաթիվ նման նեյրոնների (պրոցեսորների) համակարգ։ Առանձին-առանձին, այս պրոցեսորները բավականին պարզ են (շատ ավելի պարզ, քան անհատական ​​համակարգչի պրոցեսորը), բայց երբ միացված են մեծ համակարգին, նեյրոնները ունակ են կատարել շատ բարդ առաջադրանքներ:

Կախված կիրառման տարածքից, նեյրոնային ցանցը կարող է մեկնաբանվել տարբեր ձևերով: Օրինակ, մեքենայական ուսուցման տեսանկյունից ANN-ը օրինաչափությունների ճանաչման մեթոդ է: Մաթեմատիկական տեսանկյունից սա բազմապարամետրային խնդիր է։ Կիբեռնետիկայի տեսանկյունից այն ռոբոտաշինության ադապտիվ կառավարման մոդել է։ Արհեստական ​​բանականության համար ANN-ը հիմնարար բաղադրիչ է բնական ինտելեկտի մոդելավորման համար՝ օգտագործելով հաշվողական ալգորիթմներ:

Նեյրոնային ցանցերի հիմնական առավելությունը սովորական հաշվողական ալգորիթմների նկատմամբ նրանց սովորելու ունակությունն է: Բառի ընդհանուր իմաստով ուսուցումը բաղկացած է նեյրոնների միջև ճիշտ զուգավորման գործակիցները գտնելուց, ինչպես նաև տվյալների ընդհանրացումից և մուտքային և ելքային ազդանշանների միջև բարդ կախվածությունների հայտնաբերումից: Իրականում, նեյրոնային ցանցի հաջող վերապատրաստումը նշանակում է, որ համակարգը կկարողանա բացահայտել ճիշտ արդյունքը՝ հիմնվելով ուսուցման հավաքածուում չներկայացված տվյալների վրա:

Այսօրվա իրավիճակը

Եվ որքան էլ խոստումնալից կլիներ այս տեխնոլոգիան, մինչ այժմ ANN-ները դեռ շատ հեռու են մարդու ուղեղի և մտածողության հնարավորություններից: Այնուամենայնիվ, նեյրոնային ցանցերն արդեն օգտագործվում են մարդկային գործունեության շատ ոլորտներում։ Առայժմ նրանք չեն կարողանում բարձր ինտելեկտուալ որոշումներ կայացնել, բայց կարողանում են փոխարինել մարդուն այնտեղ, որտեղ նա նախկինում կարիք ուներ։ ANN-ի կիրառման բազմաթիվ ոլորտներից կարելի է նշել՝ արտադրական գործընթացների ինքնաուսուցման համակարգերի ստեղծում, անօդաչու մեքենաներ, պատկերների ճանաչման համակարգեր, խելացի անվտանգության համակարգեր, ռոբոտաշինություն, որակի մոնիտորինգի համակարգեր, ձայնային փոխազդեցության միջերեսներ, վերլուծական համակարգեր և շատ ավելին: Նեյրոնային ցանցերի նման լայն կիրառումը, ի թիվս այլ բաների, պայմանավորված է ANN-ի ուսուցումն արագացնելու տարբեր եղանակների առաջացմամբ:

Այսօր նեյրոնային ցանցերի շուկան հսկայական է՝ այն միլիարդավոր և միլիարդավոր դոլարներ է: Ինչպես ցույց է տալիս պրակտիկան, ամբողջ աշխարհում նեյրոնային ցանցերի տեխնոլոգիաների մեծ մասը քիչ է տարբերվում միմյանցից: Այնուամենայնիվ, նեյրոնային ցանցերի օգտագործումը շատ ծախսատար վարժություն է, որը շատ դեպքերում կարող են թույլ տալ միայն խոշոր ընկերությունները: Նյարդային ցանցերի մշակման, վերապատրաստման և փորձարկման համար պահանջվում է մեծ հաշվողական հզորություն, ակնհայտ է, որ ՏՏ շուկայի խոշոր խաղացողներին դա բավական է: Այս ոլորտում զարգացող առաջատար ընկերություններից են Google DeepMind-ը, Microsoft Research-ը, IBM-ը, Facebook-ը և Baidu-ն:

Իհարկե, այս ամենը լավ է՝ նեյրոնային ցանցերը զարգանում են, շուկան աճում է, բայց մինչ այժմ հիմնական խնդիրը լուծված չէ։ Մարդկությանը չի հաջողվել ստեղծել այնպիսի տեխնոլոգիա, որն իր հնարավորություններով նույնիսկ մոտ է մարդկային ուղեղին: Եկեք նայենք մարդու ուղեղի և արհեստական ​​նեյրոնային ցանցերի հիմնական տարբերություններին:

Ինչո՞ւ են նեյրոնային ցանցերը դեռ հեռու մարդու ուղեղից:

Ամենակարևոր տարբերությունը, որը հիմնովին փոխում է համակարգի սկզբունքն ու արդյունավետությունը, ազդանշանի տարբեր փոխանցումն է արհեստական ​​նեյրոնային ցանցերում և նեյրոնների կենսաբանական ցանցում։ Փաստն այն է, որ ANN-ում նեյրոնները փոխանցում են իրական արժեքներ, այսինքն՝ թվեր: Մարդու ուղեղում ֆիքսված ամպլիտուդով իմպուլսներ են փոխանցվում, և այդ իմպուլսները գրեթե ակնթարթային են։ Հետևաբար, մարդկային նեյրոնների ցանցը մի շարք առավելություններ ունի:

Նախ, ուղեղի կապի գծերը շատ ավելի արդյունավետ և խնայող են, քան ANN-ներում: Երկրորդ, իմպուլսային միացումն ապահովում է տեխնոլոգիայի իրականացման պարզությունը. բավական է բարդ հաշվողական մեխանիզմների փոխարեն օգտագործել անալոգային սխեմաներ: Ի վերջո, իմպուլսային ցանցերը պաշտպանված են ակուստիկ միջամտությունից: Վավեր թվերը հակված են աղմուկի, ինչը մեծացնում է սխալների հավանականությունը:

Արդյունք

Իհարկե, վերջին տասնամյակում նեյրոնային ցանցերի զարգացման իսկական բում է նկատվում։ Սա առաջին հերթին պայմանավորված է նրանով, որ ANN-ի ուսուցման գործընթացը դարձել է շատ ավելի արագ և հեշտ: Նաև ակտիվորեն սկսեցին զարգանալ այսպես կոչված «նախապես պատրաստված» նեյրոնային ցանցերը, որոնք կարող են զգալիորեն արագացնել տեխնոլոգիաների ներդրման գործընթացը։ Եվ եթե դեռ վաղ է ասել, թե արդյոք մի օր նեյրոնային ցանցերը կկարողանան ամբողջությամբ վերարտադրել մարդու ուղեղի հնարավորությունները, ապա հավանականությունը, որ հաջորդ տասնամյակում ANN-ները կկարողանան փոխարինել մարդկանց գոյություն ունեցող մասնագիտությունների մեկ քառորդում, գնալով ավելի է դառնում: ինչպես ճշմարտությունը.

Նրանց համար, ովքեր ցանկանում են ավելին իմանալ

• Մեծ նյարդային պատերազմ. ինչ է իրականում պատրաստվում Google-ը
• Ինչպես կարող են ճանաչողական համակարգիչները փոխել մեր ապագան

Կենսաբանական նեյրոնը բաղկացած է 3-ից 100 միկրոն տրամագծով մարմնից, որը պարունակում է միջուկ և պրոցեսներ։ Գործընթացների երկու տեսակ կա. Աքսոնսովորաբար - երկար գործընթաց, որը հարմարեցված է նեյրոնի մարմնից գրգռում անցկացնելու համար: Դենդրիտներ- որպես կանոն, կարճ և բարձր ճյուղավորված գործընթացներ, որոնք ծառայում են որպես նեյրոնի վրա ազդող գրգռիչ և արգելակող սինապսների ձևավորման հիմնական վայր (տարբեր նեյրոններ ունեն աքսոնի և դենդրիտների երկարության տարբեր հարաբերակցություն):

Նեյրոնը կարող է ունենալ բազմաթիվ դենդրիտներ և սովորաբար միայն մեկ աքսոն: Մեկ նեյրոնը կարող է կապ ունենալ 20 հազար այլ նեյրոնների հետ։ Մարդու գլխուղեղի կեղևը պարունակում է տասնյակ միլիարդավոր նեյրոններ:

Կենսաբանական նեյրոննյարդային համակարգի բջիջների և ուղեղի շինանյութի կարևորագույն տարրն է։ Նեյրոնները գոյություն ունեն մի քանի ձևերով՝ կախված դրանց նպատակից և գտնվելու վայրից, բայց ընդհանուր առմամբ դրանք կառուցվածքով նման են։

Բրինձ. 12.4 Նեյրոնային սխեմա

Յուրաքանչյուր նեյրոն տեղեկատվության մշակման սարք է, որն ազդանշաններ է ստանում այլ նեյրոններից՝ հատուկ մուտքային կառուցվածքի միջոցով, որը բաղկացած է դենդրիտներից: Եթե ​​ագրեգատ մուտքային ազդանշանը գերազանցում է շեմային մակարդակը, ապա բջիջը ազդանշանը փոխանցում է հետագա աքսոնին, այնուհետև ազդանշանի ելքային կառուցվածքին, որտեղից այն փոխանցվում է այլ նեյրոններին: Ազդանշանները փոխանցվում են էլեկտրական ալիքների միջոցով: (Մարդու կյանքի ընթացքում նեյրոնների թիվը չի ավելանում, այլ մարզումների արդյունքում ավելանում է նրանց միջև կապերի թիվը)։

Մարդու զգայական օրգաններբաղկացած են բազմաթիվ միացումներով փոխկապակցված մեծ թվով նեյրոններից։ Զգայական օրգանը ներառում է ընկալիչներ և ուղիներ: Ռեցեպտորները ստեղծում են էլեկտրաքիմիական ազդանշաններ, որոնք տարածվում են վայրկյանում 5-ից 125 մետր արագությամբ: Ընդունիչները կոդավորում են տարբեր տեսակի ազդանշաններ մեկ ունիվերսալ զարկերակային հաճախականության կոդի մեջ:

Ժամանակի միավորի վրա նյարդային ազդակների քանակը համաչափ է ազդեցության ինտենսիվությանը: Զգայարաններն ունեն զգայունության ստորին և վերին սահմաններ: Մարդու զգայական օրգանների արձագանքը (E) գրգռման ինտենսիվությանը (P) կարելի է մոտավորապես ներկայացնել Վեբեր-Ֆեխների օրենքով.

Ակնհայտորեն, եթե հաշվի առնենք աղմուկի ազդեցությունը, ապա կարող ենք գալ Շենոնի բանաձեւին, որը թույլ է տալիս գնահատել նման զգայական օրգանի տեղեկատվական կարողությունը։ Կրթության և վերապատրաստման միջոցով զգայարանների լուծումը կարող է բարելավվել: Բացի այդ մարդը կարող է տարբերակել հաճախականությունների և ամպլիտուդների համակցությունը, այնքանով, որ անհասանելի է ժամանակակից տեխնիկական սարքերի համար։ Բայց զգայարանները գործում են հաճախականության և առատության սահմանափակ տիրույթում:

Գրգռված վիճակի անցնելուց հետո ելքային գործընթացում (աքսոն) առաջանում է գրգռման իմպուլս, որը տարածվում է դրա երկայնքով 1-ից 100 մ / վ արագությամբ; Տարածման գործընթացը հիմնված է նատրիումի և կալիումի իոնների նկատմամբ աքսոնի մեմբրանի տեղական հաղորդունակության փոփոխության վրա: Նեյրոնների միջև ուղղակի էլեկտրական կապեր չկան: Ազդանշանի փոխանցումը աքսոնից մեկ այլ նեյրոնի մուտքային պրոցես (դենդրիտ) իրականացվում է քիմիապես հատուկ տարածքում՝ սինապսում, որտեղ երկու նյարդային բջիջների վերջավորությունները մոտենում են միմյանց։ Սինապսներից մի քանիսը հատուկ են, որոնք առաջացնում են հակադարձ բևեռականության ազդանշաններ՝ գրգռման ազդանշանները ճնշելու համար:

Ներկայումս ինտենսիվ ուսումնասիրվում են ուղեղի գործունեության գլոբալ ասպեկտները՝ նրա մեծ տարածքների մասնագիտացումը, դրանց միջև ֆունկցիոնալ կապերը և այլն։ Միևնույն ժամանակ, քիչ բան է հայտնի, թե ինչպես է տեղեկատվությունը մշակվում միջանկյալ մակարդակում՝ նեյրոնային ցանցի հատվածներում, որոնք պարունակում են ընդամենը տասնյակ հազարավոր նյարդային բջիջներ:

Երբեմն ուղեղը նմանեցնում են հսկայական հաշվողական մեքենայի, որը սովորական համակարգիչներից տարբերվում է միայն բաղկացուցիչ տարրերի զգալիորեն ավելի մեծ թվով: Ենթադրվում է, որ գրգռման յուրաքանչյուր իմպուլս կրում է տեղեկատվության միավոր, իսկ նեյրոնները համակարգչի հետ անալոգիայով խաղում են տրամաբանական անջատիչների դերը: Այս տեսակետը սխալ է։ Ուղեղն աշխատում է բոլորովին այլ սկզբունքներով։ Այն չունի նեյրոնների միջև կապերի կոշտ կառուցվածք, որը նման կլինի համակարգչի էլեկտրական միացմանը: Նրա առանձին տարրերի (նեյրոնների) հուսալիությունը շատ ավելի ցածր է, քան ժամանակակից համակարգիչներ ստեղծելու համար օգտագործվող տարրերը։ Նույնիսկ այնպիսի տարածքների ոչնչացումը, որոնք պարունակում են բավականին մեծ թվով նեյրոններ, հաճախ գրեթե չեն ազդում ուղեղի այս հատվածում տեղեկատվության մշակման արդյունավետության վրա: Որոշ նեյրոններ մահանում են մարմնի ծերացման հետ մեկտեղ: Ավանդական սկզբունքներով կառուցված ոչ մի հաշվողական մեքենա չի կարող դիմակայել նման մեծ վնասի:

Ժամանակակից համակարգիչները գործողություններ են կատարում հաջորդաբար, մեկ գործողություն մեկ ժամացույցի ցիկլի համար: Թիվը վերցված է հիշողություն, տեղադրված է CPU, որտեղ թելադրվածին համապատասխան ինչ-որ գործողություն է կատարվում դրա վրա ծրագիրհրահանգը, և արդյունքը կրկին մուտքագրվում է հիշողության մեջ: Ընդհանուր առմամբ, առանձին գործողություն կատարելիս էլեկտրական ազդանշանը պետք է անցնի որոշակի հեռավորություն միացնող լարերի երկայնքով, ինչը կարող է սահմանափակել համակարգչի արագությունը:

Օրինակ, եթե ազդանշանը անցնում է 30 սմ հեռավորության վրա, ապա ազդանշանի կրկնության արագությունը չպետք է գերազանցի 1 ԳՀց-ը: Եթե ​​գործողությունները կատարվում են հաջորդաբար, ապա նման համակարգչի արագության սահմանաչափը չի գերազանցի մեկ միլիարդ գործողություն վայրկյանում։ Իրականում կատարումը, բացի այդ, սահմանափակվում է համակարգչի առանձին տարրերի արձագանքման արագությամբ: Հետեւաբար, ժամանակակից համակարգիչների արագությունն արդեն բավականին մոտ է իր տեսական սահմանին։ Բայց այս արագությունը լիովին անբավարար է բարդ համակարգերի կառավարումը կազմակերպելու, «արհեստական ​​ինտելեկտի» խնդիրներ լուծելու համար և այլն։

Եթե ​​վերը նշված պատճառաբանությունը տարածենք մարդու ուղեղի վրա, ապա արդյունքներն անհեթեթ կլինեն։ Ի վերջո, նյարդային մանրաթելերի երկայնքով ազդանշանների տարածման արագությունը տասնյակ և հարյուրավոր միլիոնավոր անգամ ավելի քիչ է, քան համակարգչում: Եթե ​​ուղեղն աշխատեր ժամանակակից համակարգիչների սկզբունքով, ապա նրա արագության տեսական սահմանը կկազմի վայրկյանում ընդամենը հազար գործողություն։ Բայց սա ակնհայտորեն բավարար չէ ուղեղի զգալիորեն ավելի բարձր արդյունավետությունը բացատրելու համար։

Ակնհայտ է, որ ուղեղի գործունեությունը կապված է տեղեկատվության զուգահեռ մշակման հետ։Մինչ այժմ զուգահեռ հաշվարկների կազմակերպումն արդեն իսկ կիրառվում է համակարգիչներում, օրինակ՝ մատրիցային պրոցեսորներով, որոնք ավելի պարզ պրոցեսորների ցանց են՝ իրենց սեփական հիշողությամբ։ Զուգահեռ հաշվարկման տեխնիկան այն է, որ տարրական պրոցեսորը «գիտի» միայն շրջակա միջավայրի իր փոքր տարրի վիճակի մասին։ Այս տեղեկատվության հիման վրա յուրաքանչյուր պրոցեսոր հաշվարկում է իր տարրի վիճակը հաջորդ պահին: Միևնույն ժամանակ, ազդանշանի տարածման արագության հետ կապված արագության սահմանափակում չկա: Մատրիցային պրոցեսորը դիմացկուն է տեղային վնասներին:

Զուգահեռ հաշվարկի գաղափարի զարգացման հաջորդ փուլը համակարգչային ցանցերի ստեղծումն էր: Համակարգիչների այս տեսակ «համայնքը» հիշեցնում է բազմաբջիջ օրգանիզմի, որն «ապրում է իր կյանքով»։ Միևնույն ժամանակ, համակարգչային ցանցի` որպես համակարգիչների համայնքի գործունեությունը կախված չէ նրանից, թե կոնկրետ ինչպես է դասավորված յուրաքանչյուր անհատական ​​համակարգիչ, ինչ գործընթացներ են դրա ներսում ապահովում տեղեկատվության մշակումը: Կարելի է պատկերացնել մի ցանց, որը բաղկացած է շատ մեծ թվով պարզունակ համակարգիչներից, որոնք ունակ են կատարել միայն մի քանի գործողություններ և պահել իր հիշողության մեջ մի քանի քանակի ակնթարթային արժեքներ:

Մաթեմատիկական տեսանկյունից նման ցանցերը, որոնք բաղկացած են ռեակցիաների պարզ ռեպերտուարով տարրերից, սովորաբար համարվում են. բջջային ավտոմատներ... Ուղեղը աշխատանքի և կառուցվածքի սկզբունքով շատ ավելի մոտ է մատրիցային պրոցեսորին, քան ավանդական համակարգչին՝ գործողությունների հաջորդական կատարմամբ: Այնուամենայնիվ, մարդու ուղեղի և ցանկացած զուգահեռ համակարգչի միջև սկզբունքային տարբերություն կա: Բանն այն է, որ ուղեղի նեյրոնային ցանցերն ընդհանրապես ոչ մի հաշվարկով չեն զբաղվում։ Աբստրակտ մտածողությունը (թվերի և մաթեմատիկական նշանների հետ գործ ունենալը) երկրորդական է ուղեղի հիմնարար մեխանիզմներից: Դժվար է պատկերացնել, որ երբ, օրինակ, կատուն թռչնի հետ թռչում է, նրա ուղեղը մի քանի վայրկյանում լուծում է ոչ գծային դիֆերենցիալ հավասարումների համակարգ, որը նկարագրում է ցատկի հետագիծը և այլ գործողությունները:

Այս թեմայով կարելի է մեջբերել Ա.Էյնշտեյնի հետևյալ հայտարարությունը. «Բառերն ու լեզուն, ըստ երևույթին, որևէ դեր չեն խաղում իմ մտածողության մեխանիզմում։ Ֆիզիկական սուբյեկտները, որոնք իրականում, ըստ երևույթին, մտածողության տարրեր են, որոշակի նշաններ և քիչ թե շատ պարզ պատկերներ են, որոնք կարող են կամայականորեն վերարտադրվել և համադրվել… Սովորական բառերը պետք է ընտրվեն միայն երկրորդ փուլում…»:

Ուղեղն աշխատում է հսկայական «անալոգային» մեքենայի նման, որտեղ շրջապատող աշխարհն արտացոլվում է նեյրոնային գործունեության տարածական-ժամանակավոր կառուցվածքներում: Ուղեղի նմանատիպ մեխանիզմը բնականաբար կարող է առաջանալ կենսաբանական էվոլյուցիայի ընթացքում:

Ամենապարզ կենդանու համար նյարդային համակարգի հիմնական գործառույթը արտաքին աշխարհի առաջացրած սենսացիաները որոշակի շարժողական գործունեության վերածելն է: Էվոլյուցիայի վաղ փուլերում պատկեր-սենսացիա և պատկեր-շարժում կապն ուղղակի է, միանշանակ և ժառանգաբար ամրագրված նեյրոնների միջև կապերի սկզբնական կառուցվածքում: Հետագա փուլերում այս կապն ավելի է բարդանում, և ի հայտ է գալիս սովորելու կարողությունը։ Պատկեր-սենսացիան այլևս կոշտորեն կապված չէ գործողությունների ծրագրի հետ: Նախ՝ կատարվում է դրա միջանկյալ մշակումը և համեմատությունը հիշողության մեջ պահվող նկարների հետ։ Պատկերի միջանկյալ մշակումն ավելի բարդ է դառնում, երբ բարձրանում եք էվոլյուցիոն սանդուղքով: Ի վերջո, երկար զարգացումից հետո ձևավորվում է մի գործընթաց, որը մենք անվանում ենք մտածողություն։

Կաղապարների ճանաչման համար կարող է օգտագործվել «բջջային ավտոմատի» սկզբունքը։Համակարգն ունի ասոցիատիվ հիշողություն, եթե, երբ նկարը սնվում է իր մուտքագրմանը, այն ավտոմատ կերպով ընտրում և ելք է տալիս հիշողության մեջ իրեն ամենամոտ գտնվող նկարը:

Նյարդային ցանցերը արհեստական ​​ինտելեկտի ոլորտում հետազոտությունների ուղղություններից են՝ հիմնված մարդու նյարդային համակարգի վերարտադրման փորձերի վրա։ Մասնավորապես՝ նյարդային համակարգի՝ սովորելու և սխալները շտկելու ունակությունը, որը պետք է հնարավորություն տա նմանակել մարդու ուղեղի աշխատանքը, թեև բավականին կոպիտ:

կամ մարդու նյարդային համակարգը մարդկային կառուցվածքների բարդ ցանց է, որն ապահովում է մարմնի բոլոր համակարգերի փոխկապակցված վարքը:

Կենսաբանական նեյրոնը հատուկ բջիջ է, որը կառուցվածքային առումով բաղկացած է միջուկից, բջջային մարմնից և գործընթացներից։ Նեյրոնի հիմնական խնդիրներից մեկը նեյրոնային ցանցով էլեկտրաքիմիական իմպուլսի փոխանցումն է այլ նեյրոնների հետ հասանելի կապերի միջոցով: Ավելին, յուրաքանչյուր միացում բնութագրվում է որոշակի արժեքով, որը կոչվում է սինապտիկ կապի ուժ: Այս արժեքը որոշում է, թե ինչ է տեղի ունենում էլեկտրաքիմիական իմպուլսի հետ, երբ այն փոխանցվում է մեկ այլ նեյրոնի. կա՛մ այն ​​կավելանա, կա՛մ կթուլանա, կա՛մ կմնա անփոփոխ:

Կենսաբանական նեյրոնային ցանցն ունի կապի բարձր աստիճան. մեկ նեյրոնը կարող է մի քանի հազար կապ ունենալ այլ նեյրոնների հետ: Բայց սա մոտավոր արժեք է և ամեն դեպքում տարբեր է։ Իմպուլսների փոխանցումը մի նեյրոնից մյուսը առաջացնում է ամբողջ նեյրոնային ցանցի որոշակի գրգռում: Այս գրգռման մեծությունը որոշում է նեյրոնային ցանցի արձագանքը որոշակի տեսակի մուտքային ազդանշաններին: Օրինակ՝ հին ծանոթի հետ մարդու հանդիպումը կարող է հանգեցնել նեյրոնային ցանցի ուժեղ գրգռման, եթե այս ծանոթության հետ կապված լինեն կյանքի որոշ վառ և հաճելի հիշողություններ։ Իր հերթին, նեյրոնային ցանցի ուժեղ գրգռումը կարող է հանգեցնել սրտի հաճախության բարձրացման, աչքերի հաճախակի թարթելու և այլ ռեակցիաների: Նեյրոնային ցանցի համար անծանոթի հետ հանդիպումը գրեթե աննկատ կլինի, և, հետևաբար, որևէ ուժեղ արձագանք չի առաջացնի:

Կարելի է մեջբերել կենսաբանական նեյրոնային ցանցի հետևյալ խիստ պարզեցված մոդելը.

Յուրաքանչյուր նեյրոն բաղկացած է բջջային մարմնից, որը պարունակում է միջուկ: Շատ կարճ մանրաթելեր, որոնք կոչվում են դենդրիտներ, ճյուղավորվում են բջջային մարմնից: Երկար դենդրիտները կոչվում են աքսոններ: Աքսոնները ձգվում են մեծ հեռավորությունների վրա՝ շատ ավելին, քան ցույց է տրված այս նկարի մասշտաբով: Սովորաբար աքսոնների երկարությունը 1 սմ է (որը 100 անգամ գերազանցում է բջջային մարմնի տրամագիծը), բայց կարող է հասնել 1 մետրի:

20-րդ դարի 60-80-ական թվականներին արհեստական ​​ինտելեկտի ոլորտում հետազոտության առաջնահերթ ոլորտն էր։ Փորձագիտական ​​համակարգերը լավ են աշխատել, բայց միայն բարձր մասնագիտացված ոլորտներում: Այլ մոտեցում էր պահանջվում ավելի բազմակողմանի խելացի համակարգեր ստեղծելու համար: Հավանաբար դա հանգեցրեց նրան, որ արհեստական ​​ինտելեկտի հետազոտողները ուշադրություն դարձրին կենսաբանական նեյրոնային ցանցերին, որոնք ընկած են մարդու ուղեղի հիմքում:

Արհեստական ​​բանականության նեյրոնային ցանցերը կենսաբանական նեյրոնային ցանցերի պարզեցված մոդելներ են։

Հենց այստեղ էլ ավարտվում են նմանությունները։ Մարդու ուղեղի կառուցվածքը շատ ավելի բարդ է, քան վերը նկարագրվածը, և, հետևաբար, հնարավոր չէ այն վերարտադրել առնվազն քիչ թե շատ ճշգրիտ:

Նյարդային ցանցերը շատ կարևոր հատկություններ ունեն, բայց հիմնականը սովորելու կարողությունն է: Նյարդային ցանցի մարզումը հիմնականում ներառում է նեյրոնների միջև սինապտիկ կապերի «ուժի» փոփոխություն: Հետևյալ օրինակը հստակորեն ցույց է տալիս դա։ Պավլովի դասական փորձի ժամանակ ամեն անգամ զանգը հնչում էր շանը կերակրելուց անմիջապես առաջ։ Շունը արագ սովորեց կապել զանգի ղողանջը ճաշի հետ: Դա պայմանավորված էր նրանով, որ ուղեղի լսողության համար պատասխանատու հատվածների և թքագեղձերի միջև սինապտիկ կապերն ավելացել են։ Եվ հետագայում զանգի ձայնով նեյրոնային ցանցի գրգռումը սկսեց շան մոտ ավելի ուժեղ թքարտադրության պատճառ դառնալ։

Այսօր նեյրոնային ցանցերը արհեստական ​​ինտելեկտի ոլորտում հետազոտությունների առաջնահերթ ուղղություններից են։