მითების შექმნისა და აზროვნების საიდუმლო: ტვინის ნერვული ქსელები. ტვინი, ნეირონული კომუნიკაცია და ენერგოეფექტურობა ადამიანის ნერვული ქსელი

სტატია კონკურსისთვის "ბიო / მოლი / ტექსტი": უჯრედული პროცესები, რომლებიც ცვლის ინფორმაციას ნეირონებს შორის, მოითხოვს დიდ ენერგიას. ენერგიის მაღალმა მოხმარებამ ხელი შეუწყო ევოლუციის პროცესში ინფორმაციის კოდირებისა და გადაცემის ყველაზე ეფექტური მექანიზმების შერჩევას. ამ სტატიაში შეიტყობთ ტვინის ენერგიის შესწავლის თეორიულ მიდგომას, მის როლს პათოლოგიების შესწავლაში, თუ რომელი ნეირონები არიან უფრო განვითარებული, რატომ არის ზოგჯერ სასარგებლო სინაფსებისთვის, რომ არ "გაისროლონ" და ასევე. როგორ ირჩევენ მხოლოდ ნეირონს საჭირო ინფორმაციას.

კონკურსის გენერალური სპონსორი არის კომპანია: ბიოლოგიური კვლევისა და წარმოების აღჭურვილობის, რეაგენტების და სახარჯო მასალების უმსხვილესი მიმწოდებელი.

აუდიტორიის ჯილდოს სპონსორი და Biomedicine Today and Tomorrow ნომინაციის პარტნიორი იყო Invitro.

კონკურსის სპონსორი "წიგნი" - "ალპინა არამხატვრული ლიტერატურა"

მიდგომის წარმოშობა

მეოცე საუკუნის შუა ხანებიდან ცნობილია, რომ ტვინი მოიხმარს მთელი ორგანიზმის ენერგორესურსების მნიშვნელოვან ნაწილს: მთელი გლუკოზის მეოთხედს და ⅕ ჟანგბადს უმაღლესი პრიმატის შემთხვევაში. ამან შთააგონა უილიამ ლევის და რობერტ ბაქსტერს მასაჩუსეტსის ტექნოლოგიური ინსტიტუტიდან (აშშ), ჩაეტარებინათ ბიოლოგიურ ნერვულ ქსელებში ინფორმაციის კოდირების ენერგოეფექტურობის თეორიული ანალიზი (ნახ. 1). კვლევა ეფუძნება შემდეგ ჰიპოთეზას. ვინაიდან ტვინის ენერგიის მოხმარება მაღალია, მისთვის სასარგებლოა ისეთი ნეირონების არსებობა, რომლებიც მუშაობენ ყველაზე ეფექტურად - ისინი გადასცემენ მხოლოდ სასარგებლო ინფორმაციას და ხარჯავენ მინიმალურ ენერგიას.

ეს ვარაუდი მართალი აღმოჩნდა: ნერვული ქსელის მარტივ მოდელზე ავტორებმა განაახლეს ზოგიერთი პარამეტრის ექსპერიმენტულად გაზომილი მნიშვნელობები. კერძოდ, მათ მიერ გამოთვლილი პულსის წარმოქმნის ოპტიმალური სიხშირე მერყეობს 6-დან 43 იმპ./წმ-მდე - თითქმის იგივე, რაც ჰიპოკამპის ფუძის ნეირონებში. პულსის სიხშირით ისინი შეიძლება დაიყოს ორ ჯგუფად: ნელი (~ 10 პულსი/წმ) და სწრაფი (~ 40 პულსი/წმ). უფრო მეტიც, პირველი ჯგუფი მნიშვნელოვნად აღემატება მეორეს. მსგავსი სურათი შეიმჩნევა თავის ტვინის ქერქშიც: რამდენჯერმე უფრო ნელი პირამიდული ნეირონებია (~ 4-9 იმპ./წმ), ვიდრე სწრაფი ინჰიბიტორული ინტერნეირონები (> 100 იმპ./წმ). ასე რომ, როგორც ჩანს, ტვინს "ურჩევნია" გამოიყენოს ნაკლები სწრაფი და ენერგიის მომხმარებელი ნეირონები, რათა მათ არ გამოიყენონ ყველა რესურსი.

სურათი 1. ნაჩვენებია ორი ნეირონი.ერთ-ერთ მათგანში იასამნისფერიპრესინაფსური ცილა სინაპტოფიზინი შეღებილია. კიდევ ერთი ნეირონი მთლიანად შეღებილია მწვანე ფლუორესცენტური ცილა. მცირე მსუბუქი ლაქები- სინაფსური კონტაქტები ნეირონებს შორის. ჩანართში ერთი ლაქა უფრო ახლოს არის ნაჩვენები.
სინაფსებით დაკავშირებული ნეირონების ჯგუფებს უწოდებენ ნეირონული ქსელები,. მაგალითად, თავის ტვინის ქერქში, პირამიდული ნეირონები და ინტერნეირონები ქმნიან ფართო ქსელებს. ამ უჯრედების კარგად კოორდინირებული „საკონცერტო“ მუშაობა განსაზღვრავს ჩვენს უმაღლეს კოგნიტურ და სხვა შესაძლებლობებს. მსგავსი ქსელები, მხოლოდ სხვა ტიპის ნეირონებისგან, ნაწილდება ტვინში, დაკავშირებულია გარკვეული გზით და აწყობს მთელი ორგანოს მუშაობას.

რა არის ინტერნეირონები?

ცენტრალური ნერვული სისტემის ნეირონები იყოფა ააქტიურებს (გამააქტიურებელი სინაფსების ფორმირება) და აფერხებს (ქმნიან ინჰიბიტორ სინაფსებს). ეს უკანასკნელი დიდწილად წარმოდგენილია ინტერნეირონები ან შუალედური ნეირონები. თავის ტვინის ქერქსა და ჰიპოკამპში ისინი პასუხისმგებელნი არიან ტვინში გამა რითმების ფორმირებაზე, რაც უზრუნველყოფს სხვა ნეირონების კოორდინირებულ, სინქრონულ მუშაობას. ეს ძალზე მნიშვნელოვანია საავტომობილო ფუნქციებისთვის, სენსორული ინფორმაციის აღქმისთვის, მეხსიერების ფორმირებისთვის.

ოპტიმუმის პოვნა

სინამდვილეში, ჩვენ ვსაუბრობთ ოპტიმიზაციის პრობლემაზე: ფუნქციის მაქსიმუმის პოვნა და პარამეტრების განსაზღვრა, რისთვისაც იგი მიღწეულია. ჩვენს შემთხვევაში, ფუნქცია არის სასარგებლო ინფორმაციის რაოდენობის თანაფარდობა ენერგიის მოხმარებასთან. სასარგებლო ინფორმაციის რაოდენობა შეიძლება უხეშად გამოითვალოს შენონის ფორმულის გამოყენებით, რომელიც ფართოდ გამოიყენება ინფორმაციის თეორიაში. ენერგიის ხარჯების გაანგარიშების ორი მეთოდი არსებობს და ორივე იძლევა დამაჯერებელ შედეგებს. ერთ-ერთი მათგანი - "იონების დათვლის მეთოდი" - ეფუძნება Na + იონების რაოდენობის დათვლას, რომლებიც შევიდნენ ნეირონში კონკრეტული სასიგნალო მოვლენის დროს (AP ან PSP, იხილეთ გვერდითი ზოლი " რა არის სამოქმედო პოტენციალი”) მოლეკულების რაოდენობაზე შემდგომი გარდაქმნით ადენოზინის ტრიფოსფატი (ATF), უჯრედების მთავარი ენერგეტიკული „ვალუტა“. მეორე ეფუძნება მემბრანის იონური დენების აღწერას ელექტრონიკის კანონების მიხედვით და საშუალებას გაძლევთ გამოთვალოთ ნეირონის ექვივალენტური ელექტრული წრედის სიმძლავრე, რომელიც შემდეგ გარდაიქმნება ATP ხარჯებში.

შემდეგ პარამეტრების ეს "ოპტიმალური" მნიშვნელობები უნდა შევადაროთ ექსპერიმენტულად გაზომილ მნიშვნელობებს და დადგინდეს რამდენად განსხვავდებიან ისინი. განსხვავებების საერთო სურათი მიუთითებს ხარისხზე ოპტიმიზაციამოცემული ნეირონის მთლიანობაში: რამდენად რეალურია, ექსპერიმენტულად გაზომილი, პარამეტრების მნიშვნელობები ემთხვევა გამოთვლილ მნიშვნელობებს. რაც უფრო ნაკლებად გამოხატულია განსხვავებები, მით უფრო ახლოსაა ნეირონი ოპტიმალთან და ენერგიულად მუშაობს უფრო ეფექტურად და ოპტიმალურად. მეორეს მხრივ, კონკრეტული პარამეტრების შედარება გვიჩვენებს, თუ რა სპეციფიური სიმძლავრით არის ეს ნეირონი „იდეალთან“ ახლოს.

გარდა ამისა, ნეირონების ენერგოეფექტურობის კონტექსტში განიხილება ორი პროცესი, რომლებზეც დაფუძნებულია ტვინში ინფორმაციის კოდირება და გადაცემა. ეს არის ნერვული იმპულსი, ანუ მოქმედების პოტენციალი, რომლის მეშვეობითაც შეიძლება იყოს ინფორმაცია გაგზავნილი„ადრესატამდე“ გარკვეულ მანძილზე (მიკრომეტრიდან ერთნახევარ მეტრამდე) და სინაფსური გადაცემა, რაც ფაქტობრივის საფუძველს წარმოადგენს. გადაცემასიგნალი ერთი ნეირონიდან მეორეზე.

Პოტენციური მოქმედება

Პოტენციური მოქმედება (PD) - სიგნალი, რომელსაც ნეირონები უგზავნიან ერთმანეთს. PD განსხვავებულია: სწრაფი და ნელი, პატარა და დიდი. ისინი ხშირად ორგანიზებულია გრძელი თანმიმდევრობით (როგორც ასოები სიტყვებში), ან მოკლე მაღალი სიხშირის „პაკეტებით“ (ნახ. 2).

სურათი 2. სხვადასხვა ტიპის ნეირონები წარმოქმნიან სხვადასხვა სიგნალებს. Ცენტრში- ძუძუმწოვრების ტვინის გრძივი მონაკვეთი. ჩანართი აჩვენებს სხვადასხვა ტიპის სიგნალებს, რომლებიც ჩაწერილია ელექტროფიზიოლოგიური მეთოდებით. ა - კორტიკალური ( ცერებრალური ქერქი) პირამიდულ ნეირონებს შეუძლიათ გადასცენ დაბალი სიხშირის სიგნალების სახით ( რეგულარული სროლა) და მოკლე ფეთქებადი, ან აფეთქების სიგნალები ( აფეთქებული სროლა). ბ - ტვინის პურკინჯის უჯრედებისთვის ( ცერებრელი), დამახასიათებელია მხოლოდ ადიდებული აქტივობა ძალიან მაღალი სიხშირით. ვ - თალამუსის სარელეო ნეირონები ( თალამუსიაქვს აქტივობის ორი რეჟიმი: აფეთქებული და მატონიზირებელი ( მატონიზირებელი გასროლა). გ - ლაგამის შუა ნაწილის ნეირონები ( MHb, მედიალური ჰაბენულა) ეპითალამუსი წარმოქმნის დაბალი სიხშირის მატონიზირებელ სიგნალებს.

რა არის სამოქმედო პოტენციალი?

1. მემბრანა და იონები.ნეირონის პლაზმური მემბრანა ინარჩუნებს ნივთიერებების არათანაბარ განაწილებას უჯრედსა და უჯრედგარე გარემოს შორის (ნახ. 3. ბ). ამ ნივთიერებებს შორის ასევე არის მცირე იონები, რომელთაგან K + და Na + მნიშვნელოვანია AP-ის აღწერისთვის.
   უჯრედის შიგნით არის ცოტა Na + იონი და ბევრი გარეთ. ამის გამო ისინი მუდმივად ცდილობენ გალიაში მოხვედრას. პირიქით, უჯრედის შიგნით ბევრი K + იონია და ისინი ცდილობენ დატოვონ იგი. იონები ამას დამოუკიდებლად ვერ ახერხებენ, რადგან მემბრანა მათთვის გაუვალია. იმისათვის, რომ იონები მემბრანაში გაიარონ, სპეციალური ცილები უნდა გაიხსნას - იონური არხებიგარსები.



სურათი 3. ნეირონი, იონური არხები და მოქმედების პოტენციალი. ა - ვირთხების ცერებრალური ქერქის კანდელაბრის უჯრედის რეკონსტრუქცია. ლურჯიდენდრიტები და ნეირონის სხეული შეღებილია (ცისფერი ლაქა ცენტრში), წითელი- აქსონი (ბევრი ტიპის ნეირონებში აქსონი განშტოებულია ბევრად უფრო, ვიდრე დენდრიტები). მწვანედა ჟოლოსფერი ისრებიმიუთითეთ ინფორმაციის ნაკადის მიმართულება: დენდრიტები და ნეირონის სხეული იღებენ მას, აქსონი აგზავნის მას სხვა ნეირონებში. ბ - ნეირონის მემბრანა, ისევე როგორც ნებისმიერი სხვა უჯრედი, შეიცავს იონურ არხებს. მწვანე წრეები- იონები Na +, ლურჯი- იონები K +. ვ - მემბრანის პოტენციალის ცვლილება პურკინჯეს ნეირონის მიერ მოქმედების პოტენციალის (AP) წარმოქმნის დროს. გამწვანებული ტერიტორია: Na- არხები ღიაა, Na + იონები შედიან ნეირონში, ხდება დეპოლარიზაცია. ლურჯი ტერიტორია: K- არხები ღიაა, K + გამოდის, ხდება რეპოლარიზაცია. მწვანე და ლურჯი უბნების გადახურვა შეესაბამება იმ პერიოდს, როდესაც Na + და K + ერთდროულად გამოდიან.

2. იონური არხები.არხების მრავალფეროვნება უზარმაზარია. ზოგი იხსნება მემბრანის პოტენციალის ცვლილების საპასუხოდ, ზოგი - ლიგანდის შეკვრისას (მაგალითად, სინაფსში ნეიროტრანსმიტერი), ზოგი - მემბრანის მექანიკური ცვლილებების შედეგად და ა.შ. არხის გახსნა შედგება მისი სტრუქტურის შეცვლაში, რის შედეგადაც იონებს შეუძლიათ მასში გავლა. ზოგიერთი არხი იძლევა მხოლოდ გარკვეული ტიპის იონების გავლის საშუალებას, ზოგი კი შერეული გამტარობით ხასიათდება.
   AP-ის გენერაციაში მთავარ როლს თამაშობს არხები, რომლებიც „იგრძნობს“ მემბრანის პოტენციალს - პოტენციალზე დამოკიდებულიიონური არხები. ისინი იხსნება მემბრანის პოტენციალის ცვლილების საპასუხოდ. მათ შორის, ჩვენ გვაინტერესებს ძაბვაზე დამოკიდებული ნატრიუმის არხები (Na- არხები), რომლებიც მხოლოდ Na + იონებს საშუალებას აძლევს გაიარონ და ძაბვაზე დამოკიდებული კალიუმის არხები (K-არხები), რომლებიც მხოლოდ K + იონებს აძლევს საშუალებას.

AP არის შედარებით ძლიერი ამპლიტუდის მკვეთრი ცვლილება მემბრანის პოტენციალის.

3. იონური დენი და PD. AP-ის საფუძველია იონური დენი - იონების მოძრაობა მემბრანის იონური არხებით. ვინაიდან იონები დამუხტულია, მათი დენი იწვევს მთლიანი მუხტის ცვლილებას ნეირონის შიგნით და მის გარეთ, რაც დაუყოვნებლივ იწვევს მემბრანის პოტენციალის ცვლილებას.
   AP წარმოქმნა, როგორც წესი, ხდება აქსონის საწყის სეგმენტში - მის იმ ნაწილში, რომელიც ნეირონის სხეულთან არის მიმდებარე. აქ ბევრი Na- არხია კონცენტრირებული. თუ ისინი გაიხსნება, Na + იონების ძლიერი დენი შემოვა აქსონში და დეპოლარიზაციაგარსები - მემბრანის პოტენციალის აბსოლუტური მნიშვნელობის შემცირება (ნახ. 3 ვ). შემდეგი, თქვენ უნდა დაუბრუნდეთ თავდაპირველ მნიშვნელობას - რეპოლარიზაცია... ამაზე პასუხისმგებელია K + იონები. როდესაც K- არხები იხსნება (მაქსიმალურ AP-მდე ცოტა ხნით ადრე), K + იონები იწყებენ უჯრედიდან გასვლას და მემბრანის რეპოლარიზაციას.
   დეპოლარიზაცია და რეპოლარიზაცია PD-ის ორი ძირითადი ფაზაა. მათ გარდა კიდევ რამდენიმე გამოიყოფა, რომლებიც საჭიროების გამო აქ არ განიხილება. PD თაობის დეტალური აღწერა შეგიძლიათ იხილოთ,. PD-ს მოკლე აღწერა ასევე მოცემულია სტატიებში "ბიომოლეკულაზე".
4. აქსონის საწყისი სეგმენტი და AP-ის დაწყება.რა იწვევს ნატრიუმის არხების გახსნას აქსონის საწყის სეგმენტში? ისევ მემბრანის პოტენციალის ცვლილება, რომელიც „მოდის“ ნეირონის დენდრიტების გასწვრივ (ნახ. 3. ა). ეს - პოსტსინაფსური პოტენციალი (PSP) წარმოიქმნება სინაფსური გადაცემისგან. ეს პროცესი უფრო დეტალურად არის აღწერილი მთავარ ტექსტში.
5. PD-ს ჩატარება.ახლომდებარე Na- არხები არ იქნება გულგრილი AP-ის მიმართ აქსონის საწყის სეგმენტში. ისინი ასევე გაიხსნება მემბრანული პოტენციალის ამ ცვლილების საპასუხოდ, რაც ასევე გამოიწვევს PD-ს. ეს უკანასკნელი, თავის მხრივ, გამოიწვევს მსგავს „რეაქციას“ აქსონის მომდევნო მონაკვეთში, ნეირონის სხეულიდან უფრო შორს და ა.შ. ეს ასე ხდება ჩატარების PD აქსონის გასწვრივ,. საბოლოოდ ის მიაღწევს თავის პრესინაფტიკურ დაბოლოებებს ( ჟოლოსფერი ისრებინახ. 3 ა), სადაც მას შეუძლია გამოიწვიოს სინაფსური გადაცემა.
6. ენერგიის მოხმარება AP-ის წარმოებისთვის ნაკლებია, ვიდრე სინაფსების მუშაობისთვის.რამდენი მოლეკულა ადენოზინტრიფოსფატი (ATP), მთავარი ენერგეტიკული "ვალუტა", ღირს PD? ერთი შეფასებით, ვირთხების ცერებრალური ქერქის პირამიდული ნეირონებისთვის ენერგიის მოხმარება წამში 4 AP-ის წარმოებისთვის არის ნეირონის მთლიანი ენერგიის მოხმარების დაახლოებით ⅕. თუ გავითვალისწინებთ სხვა სასიგნალო პროცესებს, კერძოდ, სინაფსურ გადაცემას, პროპორცია იქნება ⅘. ცერებრალური ქერქისთვის, რომელიც პასუხისმგებელია საავტომობილო ფუნქციებზე, სიტუაცია მსგავსია: გამომავალი სიგნალის წარმოქმნისთვის ენერგიის მოხმარება არის ყველაფრის 15%, ხოლო დაახლოებით ნახევარი იხარჯება შეყვანის ინფორმაციის დამუშავებაზე. ასე რომ, PD შორს არის ყველაზე ენერგომოხმარების პროცესისგან. ზოგჯერ მეტი ენერგიაა საჭირო სინაფსის მუშაობისთვის. თუმცა, ეს არ ნიშნავს იმას, რომ PD წარმოქმნის პროცესი არ ავლენს ენერგოეფექტურობის მახასიათებლებს.

სხვადასხვა ტიპის ნეირონების ანალიზმა (ნახ. 4) აჩვენა, რომ უხერხემლოების ნეირონები არ არის ენერგოეფექტური და ზოგიერთი ხერხემლიანი ნეირონი თითქმის სრულყოფილია. ამ კვლევის შედეგების მიხედვით, ჰიპოკამპის ინტერნეირონები, რომლებიც მონაწილეობენ მეხსიერების და ემოციების ფორმირებაში, და თალამოკორტიკალური რელეს ნეირონები, რომლებიც ატარებენ სენსორული ინფორმაციის ძირითად ნაკადს თალამუსიდან თავის ტვინის ქერქში, აღმოჩნდა. ყველაზე ენერგოეფექტური.

სურათი 4. სხვადასხვა ნეირონები ეფექტურია სხვადასხვა გზით.ფიგურაში ნაჩვენებია სხვადასხვა ტიპის ნეირონების ენერგიის მოხმარების შედარება. ენერგიის ხარჯები გამოითვლება მოდელებში, როგორც პარამეტრების საწყისი (რეალური) მნიშვნელობებით ( შავი სვეტები), და ოპტიმალურით, რომლებშიც, ერთის მხრივ, ნეირონი ასრულებს მისთვის მინიჭებულ ფუნქციას, მეორეს მხრივ, ის ხარჯავს მინიმალურ ენერგიას ( ნაცრისფერი სვეტები). წარმოდგენილიდან ყველაზე ეფექტური იყო ხერხემლიანთა ნეირონების ორი ტიპი: ჰიპოკამპის ინტერნეირონები ( ვირთხის ჰიპოკამპის ინტერნეირონი, RHI) და თალამოკორტიკალური ნეირონები ( თაგვის თალამოკორტიკალური სარელეო უჯრედი, MTCR), რადგან მათთვის ენერგიის მოხმარება თავდაპირველ მოდელში ყველაზე ახლოს არის ოპტიმიზებულის ენერგიის მოხმარებასთან. ამის საპირისპიროდ, უხერხემლო ნეირონები ნაკლებად ეფექტურია. ლეგენდა: SA (კალმარის აქსონი) - გიგანტური კალმარის აქსონი; CA (კრაბის აქსონი) - კრაბის აქსონი; MFS (თაგვის ქერქის ინტერნეირონი სწრაფად აწვება) - თაგვის სწრაფი კორტიკალური ინტერნეირონი; ბ.კ (ფუტკრის სოკოს სხეული კენიონის უჯრედი) - კენიონის სოკოს ფუტკრის უჯრედი.

რატომ არიან ისინი უფრო ეფექტური? რადგან მათ აქვთ Na და K დენების მცირე გადახურვა. PD წარმოქმნის დროს, ყოველთვის არის დროის ინტერვალი, როდესაც ეს დენები ერთდროულად არის (ნახ. 3 ვ). ამ შემთხვევაში, პრაქტიკულად არ ხდება მუხტის გადაცემა, ხოლო მემბრანის პოტენციალის ცვლილება მინიმალურია. მაგრამ ნებისმიერ შემთხვევაში, თქვენ უნდა "გადაიხადოთ" ამ დინებისთვის, მიუხედავად მათი "უსარგებლობისა" ამ პერიოდში. ამიტომ, მისი ხანგრძლივობა განსაზღვრავს, თუ რა რაოდენობის ენერგორესურსები იხარჯება. რაც უფრო მოკლეა ის, მით უფრო ეფექტურია ენერგიის გამოყენება. რაც უფრო გრძელია, მით ნაკლებია ეფექტური. მხოლოდ ზემოაღნიშნული ორი ტიპის ნეირონში, სწრაფი იონური არხების წყალობით, ეს პერიოდი ძალიან ხანმოკლეა და AP-ები ყველაზე ეფექტურია.

სხვათა შორის, ინტერნეირონები ბევრად უფრო აქტიურია, ვიდრე ტვინის სხვა ნეირონების უმეტესობა. ამავე დროს, ისინი ძალზე მნიშვნელოვანია ნეირონების კარგად კოორდინირებული, სინქრონული ფუნქციონირებისთვის, რომელთანაც ისინი ქმნიან მცირე ლოკალურ ქსელებს. ალბათ, ინტერნეირონ AP-ის მაღალი ენერგოეფექტურობა არის ერთგვარი ადაპტაცია მათ მაღალ აქტივობასთან და როლთან სხვა ნეირონების მუშაობის კოორდინაციაში.

სინაფსი

სიგნალის გადაცემა ერთი ნეირონიდან მეორეზე ხდება ნეირონებს შორის სპეციალური კონტაქტის დროს სინაფსი ... ჩვენ მხოლოდ განვიხილავთ ქიმიური სინაფსები (არის კიდევ ელექტრო), რადგან ისინი ძალიან გავრცელებულია ნერვულ სისტემაში და მნიშვნელოვანია უჯრედული მეტაბოლიზმის რეგულირებისთვის და საკვები ნივთიერებების მიწოდებისთვის.

აქსონის პრესინაფსურ ბოლოში AP იწვევს ნეიროტრანსმიტერის გათავისუფლებას უჯრედგარე გარემოში - მიმღებ ნეირონში. ეს უკანასკნელი ამას მხოლოდ მოუთმენლად ელოდება: დენდრიტების მემბრანაში რეცეპტორები - გარკვეული ტიპის იონური არხები - აკავშირებენ ნეიროტრანსმიტერს, ხსნიან და გადიან სხვადასხვა იონებს საკუთარ თავში. ეს იწვევს პატარას წარმოქმნას პოსტსინაფსური პოტენციალი(PSP) დენდრიტის მემბრანაზე. ის წააგავს AP-ს, მაგრამ ამპლიტუდაში გაცილებით ნაკლებია და ხდება სხვა არხების გახსნის გამო. ამ მცირე ზომის PSP-ების სიმრავლე, თითოეული საკუთარი სინაფსიდან, "ეშვება" დენდრიტის მემბრანის გასწვრივ ნეირონის სხეულამდე. მწვანე ისრებინახ. 3 ა) და მიაღწევენ აქსონის საწყის სეგმენტს, სადაც იწვევენ Na- არხების გახსნას და მის „პროვოცირებას“ AP-ის წარმოქმნით.

ასეთ სინაფსებს ე.წ ამაღელვებელი : ისინი ხელს უწყობენ ნეირონების გააქტიურებას და AP წარმოქმნას. ასევე არსებობს აფერხებს სინაფსები. პირიქით, ისინი ხელს უწყობენ შენელებას და ხელს უშლიან AP-ის წარმოქმნას. ხშირად არის ორივე სინაფსი იმავე ნეირონზე. გარკვეული კავშირი დათრგუნვასა და აღგზნებას შორის მნიშვნელოვანია ტვინის ნორმალური ფუნქციონირებისთვის, ცერებრალური რითმების ფორმირებისთვის, რომლებიც თან ახლავს უფრო მაღალ შემეცნებით ფუნქციებს.

უცნაურად საკმარისია, რომ სინაფსში ნეიროტრანსმიტერის განთავისუფლება შეიძლება საერთოდ არ მოხდეს - ეს ალბათური პროცესია. ნეირონები ზოგავს ენერგიას ამ გზით: სინაფსური გადაცემა უკვე შეადგენს ნეირონების ენერგიის მოხმარების დაახლოებით ნახევარს. თუ სინაფსები ყოველთვის მუშაობდნენ, მთელი ენერგია დაიხარჯებოდა მათი მუშაობის უზრუნველსაყოფად და აღარ დარჩებოდა რესურსები სხვა პროცესებისთვის. უფრო მეტიც, ნეიროტრანსმიტერის გამოთავისუფლების დაბალი ალბათობა (20-40%) შეესაბამება სინაფსების ყველაზე მაღალ ენერგოეფექტურობას. ამ შემთხვევაში სასარგებლო ინფორმაციის მოცულობის თანაფარდობა დახარჯულ ენერგიასთან არის მაქსიმალური. ასე რომ, გამოდის, რომ „ჩავარდნები“ მნიშვნელოვან როლს თამაშობს სინაფსების და, შესაბამისად, მთელი ტვინის მუშაობაში. და თქვენ არ უნდა ინერვიულოთ სიგნალის გადაცემაზე, როდესაც სინაფსები ზოგჯერ „არ მუშაობს“, რადგან, როგორც წესი, ბევრი სინაფსი არის ნეირონებს შორის და ერთი მათგანი მაინც იმუშავებს.

სინაფსური გადაცემის კიდევ ერთი მახასიათებელია ზოგადი ინფორმაციის ნაკადის ცალკეულ კომპონენტებად დაყოფა შემომავალი სიგნალის მოდულაციის სიხშირის მიხედვით (უხეშად რომ ვთქვათ, შემომავალი AP-ის სიხშირე). ეს გამოწვეულია პოსტსინაფსურ მემბრანაზე სხვადასხვა რეცეპტორების კომბინაციით. ზოგიერთი რეცეპტორი ძალიან სწრაფად აქტიურდება: მაგალითად, AMPA რეცეპტორები (AMPA მოდის α- ა მინო-3-ჰიდროქსი-5- მ ეთილ-4-იზოქსაზოლი გვ როპიონური ა cid). თუ მხოლოდ ასეთი რეცეპტორები იმყოფება პოსტსინაფსურ ნეირონზე, მას შეუძლია ნათლად აღიქვას მაღალი სიხშირის სიგნალი (როგორიცაა, მაგალითად, ნახ. 2-ში. ვ). ყველაზე ნათელი მაგალითია სმენის სისტემის ნეირონები, რომლებიც მონაწილეობენ ხმის წყაროს ადგილმდებარეობის განსაზღვრაში და ზუსტად ამოიცნობენ მოკლე ბგერას, როგორიცაა დაწკაპუნება, რომლებიც ფართოდ არის წარმოდგენილი მეტყველებაში. NMDA რეცეპტორები (NMDA - დან ნ -მ ეთილის- დ -ა სპარტატული) უფრო ნელია. ისინი ნეირონებს საშუალებას აძლევს შეარჩიონ უფრო დაბალი სიხშირის სიგნალები (ნახ. 2 გ), ასევე AP-ების მაღალი სიხშირის სერიის აღქმა, როგორც რაღაც ერთიანი - სინაფსური სიგნალების ე.წ. არსებობს კიდევ უფრო ნელი მეტაბოტროპული რეცეპტორები, რომლებიც, როდესაც ნეიროტრანსმიტერი აკავშირებს, გადასცემს სიგნალს უჯრედშიდა "მეორადი მესინჯერების" ჯაჭვში, რათა მოახდინოს სხვადასხვა უჯრედული პროცესების კორექტირება. მაგალითად, G- პროტეინთან ასოცირებული რეცეპტორები ფართოდ არის გავრცელებული. ტიპის მიხედვით, ისინი, მაგალითად, არეგულირებენ არხების რაოდენობას მემბრანაში ან უშუალოდ ახდენენ მათ მუშაობას.

სწრაფი AMPA, ნელი NMDA და მეტაბოტროპული რეცეპტორების სხვადასხვა კომბინაცია ნეირონებს საშუალებას აძლევს აირჩიონ და გამოიყენონ მათთვის ყველაზე სასარგებლო ინფორმაცია, რაც მნიშვნელოვანია მათი ფუნქციონირებისთვის. და "უსარგებლო" ინფორმაცია ელიმინირებულია, ის არ "აღიქმება" ნეირონის მიერ. ამ შემთხვევაში, თქვენ არ გჭირდებათ ენერგიის დახარჯვა ზედმეტი ინფორმაციის გადამუშავებაზე. ეს არის ნეირონებს შორის სინაფსური გადაცემის ოპტიმიზაციის კიდევ ერთი ასპექტი.

Სხვა რა?

ტვინის უჯრედების ენერგოეფექტურობა ასევე გამოკვლეულია მათ მორფოლოგიასთან დაკავშირებით. კვლევები აჩვენებს, რომ დენდრიტებისა და აქსონების განშტოება არ არის ქაოტური და ასევე დაზოგავს ენერგიას. მაგალითად, აქსონი ისე იშლება, რომ გზის მთლიანი სიგრძე, რომელსაც AP გადის, არის ყველაზე მცირე. ამ შემთხვევაში, ენერგიის მოხმარება აქსონის გასწვრივ AP-ის გასატარებლად მინიმალურია.

ნეირონის ენერგიის მოხმარების შემცირება ასევე მიიღწევა ინჰიბიტორული და ამგზნები სინაფსების გარკვეული თანაფარდობით. ეს პირდაპირ კავშირშია, მაგალითად, იშემია(სისხლძარღვებში სისხლის ნაკადის დარღვევით გამოწვეული პათოლოგიური მდგომარეობა) თავის ტვინის. ამ პათოლოგიაში, სავარაუდოდ, ყველაზე მეტაბოლურად აქტიური ნეირონები პირველ რიგში იშლება. ქერქში ისინი წარმოდგენილია ინჰიბიტორული ინტერნეირონებით, რომლებიც ქმნიან ინჰიბიტორ სინაფსებს ბევრ სხვა პირამიდულ ნეირონზე. ინტერნეირონების სიკვდილის შედეგად მცირდება პირამიდულის დათრგუნვა. შედეგად, ამ უკანასკნელის აქტივობის ზოგადი დონე იზრდება (უფრო ხშირად აქტიურდება სინაფსები, უფრო ხშირად წარმოიქმნება AP-ები). ამას მაშინვე მოჰყვება მათი ენერგიის მოხმარების ზრდა, რამაც იშემიის პირობებში შეიძლება გამოიწვიოს ნეირონების სიკვდილი.

პათოლოგიების შესწავლისას ყურადღება ეთმობა სინაფსურ გადაცემას, როგორც ყველაზე ენერგოდამხარჯავ პროცესს. მაგალითად, პარკინსონის, ჰანტინგტონის, ალცჰეიმერის დაავადებებში ადგილი აქვს მუშაობის დარღვევას ან ტრანსპორტირებას მიტოქონდრიის სინაფსებში, რომლებიც დიდ როლს თამაშობენ ატფ-ის სინთეზში. პარკინსონის დაავადების შემთხვევაში, ეს შეიძლება ასოცირებული იყოს შავი სუბსტანციის ძალზე ენერგომოხმარების ნეირონების დარღვევასთან და სიკვდილთან, რაც მნიშვნელოვანია საავტომობილო ფუნქციებისა და კუნთების ტონუსის რეგულირებისთვის. ჰანტინგტონის დაავადების დროს მუტანტური ცილა ჰანტინგტინი არღვევს ახალი მიტოქონდრიების სინაფსებში მიწოდების მექანიზმებს, რაც იწვევს ამ უკანასკნელის „ენერგეტიკულ შიმშილს“, ნეირონების დაუცველობის გაზრდას და გადაჭარბებულ აქტივაციას. ამ ყველაფერმა შეიძლება გამოიწვიოს ნეირონების ფუნქციონირების შემდგომი დარღვევა, სტრიატუმის და ცერებრალური ქერქის შემდგომი ატროფიით. ალცჰეიმერის დაავადების დროს მიტოქონდრიული დისფუნქცია (სინაფსების რაოდენობის შემცირების პარალელურად) ხდება ამილოიდური დაფების დალექვის გამო. ამ უკანასკნელის მოქმედება მიტოქონდრიებზე იწვევს ოქსიდაციურ სტრესს, ასევე აპოპტოზს - ნეირონების უჯრედულ სიკვდილს.

კიდევ ერთხელ ყველაფერზე

მეოცე საუკუნის ბოლოს დაიბადა ტვინის შესწავლის მიდგომა, რომელშიც ერთდროულად განიხილება ორი მნიშვნელოვანი მახასიათებელი: რამდენად შიფრავს და გადასცემს სასარგებლო ინფორმაციას ნეირონი (ან ნერვული ქსელი, ან სინაფსი) და რამდენად. ენერგია, რომელსაც ის ხარჯავს. მათი თანაფარდობა ნეირონების, ნერვული ქსელების და სინაფსების ენერგოეფექტურობის ერთგვარი კრიტერიუმია.

ამ კრიტერიუმის გამოყენებამ გამოთვლით ნეირობიოლოგიაში უზრუნველყო ცოდნის მნიშვნელოვანი ზრდა გარკვეული ფენომენების, პროცესების, როლის შესახებ. კერძოდ, სინაფსში ნეიროტრანსმიტერის გათავისუფლების დაბალი ალბათობა, გარკვეული ბალანსი ნეირონის დათრგუნვასა და აგზნებას შორის, მხოლოდ გარკვეული სახის შემომავალი ინფორმაციის გათავისუფლება რეცეპტორების გარკვეული კომბინაციის გამო - ეს ყველაფერი ხელს უწყობს დაზოგვას. ღირებული ენერგიის რესურსები.

უფრო მეტიც, სასიგნალო პროცესების ენერგიის მოხმარების განსაზღვრა (მაგალითად, AP-ის წარმოქმნა, გამტარობა, სინაფსური გადაცემა) შესაძლებელს ხდის გაირკვეს, თუ რომელი მათგანი დაზარალდება პირველ რიგში საკვები ნივთიერებების მიწოდების პათოლოგიური დარღვევის შემთხვევაში. ვინაიდან ყველაზე მეტად ენერგიაა საჭირო სინაფსების მუშაობისთვის, ისინი პირველები არიან, ვინც ვერ ხერხდება ისეთ პათოლოგიებში, როგორიცაა იშემია, ალცჰეიმერის და ჰანტინგტონის დაავადებები. ანალოგიურად, სხვადასხვა ტიპის ნეირონების ენერგიის მოხმარების განსაზღვრა გვეხმარება იმის გარკვევაში, თუ რომელი მათგანი მოკვდება პათოლოგიის შემთხვევაში სხვებზე ადრე. მაგალითად, იგივე იშემიით, ქერქის ინტერნეირონები ჯერ მარცხდებიან. მათი ინტენსიური მეტაბოლიზმის გამო, იგივე ნეირონები ყველაზე დაუცველი უჯრედებია დაბერების, ალცჰეიმერის დაავადებისა და შიზოფრენიის დროს.

მადლიერებები

გულწრფელად მადლობელი ვარ ჩემი მშობლების, ოლგა ნატალევიჩისა და ალექსანდრე ჟუკოვის, დების ლიუბას და ალენას, ჩემს სამეცნიერო მრჩეველს ალექსეი ბრაჟას და მშვენიერ ლაბორატორიულ მეგობრებს ეველინა ნიკელშპარგსა და ოლგა სლატინსკაიას მხარდაჭერისა და შთაგონებისთვის, სტატიის კითხვის დროს გაკეთებული ღირებული კომენტარებისთვის. ასევე დიდი მადლობელი ვარ სტატიის რედაქტორს ანა პეტრენკოს და ბიომოლეკულის მთავარ რედაქტორს ანტონ ჩუგუნოვს შენიშვნებისთვის, წინადადებებისთვის და კომენტარებისთვის.

ლიტერატურა

1. გლუტონური ტვინი;
2. SEYMOUR S. KETY. (1957). ტვინის ზოგადი მეტაბოლიზმი IN VIVO-ში. ნერვული სისტემის მეტაბოლიზმი. 221-237;
3. ლ. სოკოლოფი, მ. რეივიჩი, კ. კენედი, მ. ჰ. დე როსიერსი, კ. ს. პატლაკი და სხვ. ალ .. (1977). ცერებრალური გლუკოზის ადგილობრივი გამოყენების გაზომვის დეოქსიგლუკოზის მეთოდი: თეორია, პროცედურა და ნორმალური ღირებულებები ცნობიერ და ანესთეზირებულ ალბინოს ვირთხებში. ჯ ნეიროქიმი. 28 , 897-916;
4. მაგისტრეტი პ.ჯ. (2008). ტვინის ენერგიის მეტაბოლიზმი. ფუნდამენტურ ნეირომეცნიერებაში // რედ. Squire L.R., Berg D., Bloom F.E., du Lac S., Ghosh A., Spitzer N. San Diego: Academic Press, 2008. P. 271-297;
5. პიერ ჯ. მაგისტრეტი, იგორ ალამანი. (2015). უჯრედული პერსპექტივა ტვინის ენერგიის მეტაბოლიზმისა და ფუნქციური გამოსახულების შესახებ. ნეირონი. 86 , 883-901;
6. უილიამ ბი ლევი, რობერტ ა. ბაქსტერი. (1996). ენერგოეფექტური ნერვული კოდები. ნერვული გამოთვლა. 8 , 531-543;
7. Sharp P.E. and Green C. (1994). თავისუფლად მოძრავი ვირთხის სუბიკულუმში ცალკეული უჯრედების სროლის ნიმუშების სივრცითი კორელაციები. J. Neurosci. 14 , 2339–2356;
8. ჰ.ჰუ, ჯ.განი, პ.ჯონასი. (2014). სწრაფი მკვეთრი, პარვალბუმინი + GABA-ენერგიული ინტერნეირონები: ფიჭური დიზაინიდან მიკროსქემის ფუნქციამდე. მეცნიერება. 345 , 1255263-1255263;
9. ოლივერ კანი, ისმინი ე პაპაგეორგიუ, ანდრეას დრაგუნი. (2014). მაღალი ენერგიული ინჰიბიტორული ინტერნეირონები არის ცენტრალური ელემენტი ინფორმაციის დამუშავებისთვის კორტიკალურ ქსელებში. J Cereb Blood Flow Metab. 34 , 1270-1282;
10. დევიდ ეტველი, საიმონ ბ. ლაფლინი. (2001). ენერგიის ბიუჯეტი ტვინის ნაცრისფერ მატერიაში სიგნალიზაციისთვის. J Cereb Blood Flow Metab. 21 , 1133-1145;
11. ჰენრი მარკრამი, მარია ტოლედო-როდრიგესი, იუნ ვანგი, ანირუდ გუპტა, გილად სილბერბერგი, კაიჟი ვუ. (2004).

თუ ახსნით "თითებზე", მაშინ ნებისმიერი ნერვული ქსელის ძირითადი ელემენტები ნეირონებია. თითოეული ნეირონი იღებს ერთ ან მეტ სიგნალს (ციფრს) შეყვანის სახით, ამუშავებს მათ ეშმაკურად (ან არა ძალიან) და შემდეგ გადასცემს შედეგს.

ნეირონები გაერთიანებულია თანმიმდევრულ შრეებად. ორი გარე ფენა - შეყვანა და გამომავალი - ცალკე არის მონიშნული. შეყვანის ფენის მეშვეობით ნერვული ქსელი იღებს ინფორმაციას, გამომავალი ფენის მეშვეობით გადასცემს მისი დამუშავების შედეგს. ყველა შუალედურ ფენას ეწოდება დამალული.

თითოეული ფარული ფენა დაკავშირებულია ორ მიმდებარედ (წინა და შემდეგთან) კავშირების რთული სისტემით (ბოდიში ტავტოლოგიისთვის). უმარტივეს შემთხვევაში, წინა ფენის თითოეული ნეირონიდან სიგნალები შედის მის თითოეულ ნეირონში, მუშავდება და შემდეგ ტოვებს მას მომდევნო ფენის თითოეულ ნეირონს.

თუმცა, წინ კიდევ ბევრია. ყველა ბმულს აქვს წონა. ანუ, სიგნალი ერთი ნეირონიდან, სანამ ის მეორეზე გადადის, ოდნავ ცვლის მნიშვნელობას (ამ სიგნალის მნიშვნელობა მრავლდება ამ „წონაზე“).

თუ შემთხვევით მნიშვნელობებს მივანიჭებთ კავშირის წონებს, მაშინ ასეთი ნერვული ქსელი არაფერს გააკეთებს. ანუ, მაინც საჭიროა როგორმე სწორად შეირჩეს. სხვა სიტყვებით რომ ვთქვათ, ნერვული ქსელი უნდა იყოს გაწვრთნილი.

როგორ მიმდინარეობს სწავლა, უფრო ადვილია მაგალითით აჩვენო. ვთქვათ, ჩვენ ვავარჯიშებთ ნერვულ ქსელს, რათა განასხვავოს კატებისა და ძაღლების სურათები. შემდეგ სურათს ვუგზავნით ნერვული ქსელის შეყვანის ფენას, ხოლო გამოსავალზე ნერვული ქსელი აბრუნებს წყვილს რეალურ რიცხვებს 0-დან 1-მდე. პირველი ნიშნავს, რამდენად დარწმუნებულია ნერვული ქსელი, რომ ის ძაღლია, ხოლო მეორე ნიშნავს, რომ ის კატაა. რატომ აკეთებენ ასე ეს არის კითხვა, რომელზეც მარტივი ენით პასუხის გაცემა შეუძლებელია. ანუ, თუ პირველი რიცხვი მეტია, მაშინ ნერვულმა ქსელმა გადაწყვიტა, რომ მან დაინახა ძაღლი, ხოლო თუ მეორე, მაშინ კატა.

ასე რომ, დროა გავავარჯიშოთ ბადე. ჩვენ ვაძლევთ ნერვულ ქსელს გამოსახულებას. ის გვიპასუხებს სწორედ ამ წყვილი რიცხვებით (a, b). მაგრამ ჩვენ ვიცით ვინ არის სურათზე, არა? ამიტომ, ჩვენ ვასწორებთ ნერვულ ქსელს. კერძოდ, გამომავალ ფენაში ჩვენ "ძალად ვაყენებთ" წყვილს (1, 0), თუ ძაღლი ან (0, 1), თუ კატა და შემდეგ ხდება რაღაც მაგია (მის გასაგებად, საჭიროა მათემატიკის ცოდნა. ), რაც აიძულებს ნერვულ ქსელს გადაანაწილოს ბმულის წონა. ამ მაგიის გაკეთების ყველაზე გავრცელებული საშუალებაა ე.წ. "უკან გამრავლების მეთოდი", მაგრამ არის სხვა.

მრავალი განსხვავებული სურათის შემდეგ, რომლითაც ჩვენც იგივეს გავაკეთებთ, ნეირონებს შორის კავშირების სიმძიმეები ისე დალაგდება, რომ კარგად განასხვავებს კატებს ძაღლებისგან.

როგორც ხედავთ, მაგია მხოლოდ ორ ადგილას გამოჩნდა. ამის გასაგებად საჭიროა უფრო მკაცრი ტექსტების წაკითხვა. გირჩევთ დაიწყოთ ამით:

ხელოვნური ნერვული ქსელები გამოიყენება მეცნიერების სხვადასხვა დარგში: მეტყველების ამომცნობი სისტემებიდან ცილის მეორადი სტრუქტურის ამოცნობამდე, ...

ხელოვნური ინტელექტი, ნერვული ქსელები, მანქანათმცოდნეობა - რას ნიშნავს ყველა ეს პოპულარული კონცეფცია? გაუთვითცნობიერებელი ადამიანების უმეტესობისთვის, რაც მე ვარ, ისინი ყოველთვის რაღაც ფანტასტიურად ჩანდნენ, მაგრამ სინამდვილეში მათი არსი ზედაპირზე დევს. დიდი ხნის განმავლობაში მქონდა იდეა, მარტივი ენით დამეწერა ხელოვნური ნერვული ქსელების შესახებ. ისწავლეთ თქვენთვის და უთხარით სხვებს, რა არის ეს ტექნოლოგია, როგორ მუშაობს ის, გაითვალისწინეთ მისი ისტორია და პერსპექტივები. ამ სტატიაში შევეცადე არ მოვხვედრილიყავი ჯუნგლებში, არამედ უბრალოდ და პოპულარულად მეთქვა ამ პერსპექტიული მიმართულების შესახებ მაღალი ტექნოლოგიების სამყაროში.

ცოტა ისტორია

პირველად ხელოვნური ნერვული ქსელების (ANN) კონცეფცია წარმოიშვა ტვინის პროცესების სიმულაციის მცდელობისას. პირველი მნიშვნელოვანი მიღწევა ამ სფეროში შეიძლება ჩაითვალოს მაკკალოხ-პიტსის ნერვული ქსელის მოდელის შექმნა 1943 წელს. მეცნიერებმა პირველად შეიმუშავეს ხელოვნური ნეირონის მოდელი. მათ ასევე შესთავაზეს ამ ელემენტების ქსელის აგება ლოგიკური ოპერაციების შესასრულებლად. მაგრამ რაც მთავარია, მეცნიერებმა დაამტკიცეს, რომ ასეთ ქსელს შეუძლია სწავლა.

შემდეგი მნიშვნელოვანი ნაბიჯი იყო დონალდ ჰების მიერ ANN-ის გამოთვლის პირველი ალგორითმის შემუშავება 1949 წელს, რომელიც ფუნდამენტური გახდა მომდევნო რამდენიმე ათწლეულის განმავლობაში. 1958 წელს ფრენკ როზენბლატმა შეიმუშავა პარცეპტრონი, სისტემა, რომელიც ასახავს თავის ტვინის პროცესებს. ოდესღაც ტექნოლოგიას არ ჰქონდა ანალოგი და ჯერ კიდევ ფუნდამენტურია ნერვულ ქსელებში. 1986 წელს, პრაქტიკულად ერთდროულად, ერთმანეთისგან დამოუკიდებლად, ამერიკელმა და საბჭოთა მეცნიერებმა მნიშვნელოვნად გააუმჯობესეს მრავალშრიანი პერცეპტრონის სწავლების ფუნდამენტური მეთოდი. 2007 წელს ნერვულმა ქსელებმა ხელახალი დაბადება განიცადა. ბრიტანელმა კომპიუტერულმა მეცნიერმა ჯეფრი ჰინტონმა შექმნა ღრმა სწავლის ალგორითმი მრავალშრიანი ნერვული ქსელებისთვის, რომელიც ახლა, მაგალითად, გამოიყენება თვითმართვადი მანქანებისთვის.

მოკლედ მთავარის შესახებ

სიტყვის ზოგადი გაგებით, ნერვული ქსელები არის მათემატიკური მოდელები, რომლებიც მუშაობენ ცხოველთა ორგანიზმში ნერვული უჯრედების ქსელების პრინციპზე. ANN შეიძლება განხორციელდეს როგორც პროგრამირებადი, ასევე აპარატურის გადაწყვეტილებებში. აღქმის გასაადვილებლად, ნეირონი შეიძლება წარმოვიდგინოთ, როგორც გარკვეული უჯრედი, რომელსაც აქვს მრავალი შემავალი ხვრელი და ერთი გამომავალი ხვრელი. რამდენი შემომავალი სიგნალი ყალიბდება გამავალში, განსაზღვრავს გაანგარიშების ალგორითმს. ეფექტური მნიშვნელობები მიეწოდება ნეირონის თითოეულ შეყვანას, რომლებიც შემდეგ მრავლდება ნეირონთაშორისი კავშირების გასწვრივ (სინოფსისი). სინაფსებს აქვთ ერთი პარამეტრი - წონა, რის გამოც შეყვანის ინფორმაცია იცვლება ერთი ნეირონიდან მეორეზე გადასვლისას. უმარტივესი გზა იმის წარმოსადგენად, თუ როგორ მუშაობს ნერვული ქსელები, შეიძლება წარმოდგენილი იყოს ფერების შერევის მაგალითით. ლურჯ, მწვანე და წითელ ნეირონებს განსხვავებული წონა აქვთ. იმ ნეირონის ინფორმაცია, რომლის წონა უფრო დომინანტური იქნება შემდეგ ნეირონში.

თავად ნერვული ქსელი არის მრავალი ასეთი ნეირონის (პროცესორის) სისტემა. ინდივიდუალურად, ეს პროცესორები საკმაოდ მარტივია (ბევრად მარტივია, ვიდრე პერსონალური კომპიუტერის პროცესორი), მაგრამ როდესაც დაკავშირებულია დიდ სისტემაში, ნეირონებს შეუძლიათ შეასრულონ ძალიან რთული ამოცანები.

აპლიკაციის არეალიდან გამომდინარე, ნერვული ქსელის ინტერპრეტაცია შესაძლებელია სხვადასხვა გზით. მაგალითად, მანქანათმცოდნეობის თვალსაზრისით, ANN არის ნიმუშის ამოცნობის მეთოდი. მათემატიკური თვალსაზრისით, ეს არის მრავალპარამეტრიანი პრობლემა. კიბერნეტიკის თვალსაზრისით, ეს არის რობოტიკის ადაპტაციური კონტროლის მოდელი. ხელოვნური ინტელექტისთვის ANN არის ფუნდამენტური კომპონენტი ბუნებრივი ინტელექტის მოდელირებისთვის გამოთვლითი ალგორითმების გამოყენებით.

ნერვული ქსელების მთავარი უპირატესობა ჩვეულებრივი გამოთვლის ალგორითმებთან შედარებით არის მათი სწავლის უნარი. სიტყვის ზოგადი გაგებით, სწავლა მოიცავს ნეირონებს შორის სწორი შეერთების კოეფიციენტების პოვნას, ასევე მონაცემთა განზოგადებას და შემავალ და გამომავალ სიგნალებს შორის რთული დამოკიდებულების იდენტიფიცირებას. სინამდვილეში, ნერვული ქსელის წარმატებული სწავლება ნიშნავს, რომ სისტემა შეძლებს სწორი შედეგის იდენტიფიცირებას იმ მონაცემების საფუძველზე, რომლებიც არ არის სასწავლო კომპლექტში.

დღევანდელი მდგომარეობა

და რაც არ უნდა პერსპექტიული იყოს ეს ტექნოლოგია, ჯერჯერობით ANN-ები ჯერ კიდევ ძალიან შორს არიან ადამიანის ტვინისა და აზროვნების შესაძლებლობებისგან. მიუხედავად ამისა, ნერვული ქსელები უკვე გამოიყენება ადამიანის საქმიანობის მრავალ სფეროში. ჯერჯერობით ვერ იღებენ მაღალ ინტელექტუალურ გადაწყვეტილებებს, მაგრამ შეუძლიათ შეცვალონ ადამიანი იქ, სადაც ის ადრე იყო საჭირო. ANN აპლიკაციის მრავალ სფეროს შორის შეიძლება აღინიშნოს: წარმოების პროცესების თვითსწავლების სისტემების შექმნა, უპილოტო მანქანები, გამოსახულების ამოცნობის სისტემები, ინტელექტუალური უსაფრთხოების სისტემები, რობოტიკა, ხარისხის მონიტორინგის სისტემები, ხმის ურთიერთქმედების ინტერფეისები, ანალიტიკური სისტემები და მრავალი სხვა. ნერვული ქსელების ასეთი ფართო გამოყენება, სხვა საკითხებთან ერთად, განპირობებულია ANN-ის სწავლის დაჩქარების სხვადასხვა გზების გაჩენით.

დღეს ნერვული ქსელების ბაზარი უზარმაზარია - ის მილიარდობით და მილიარდობით დოლარია. როგორც პრაქტიკა გვიჩვენებს, მთელს მსოფლიოში ნერვული ქსელების ტექნოლოგიების უმეტესობა ერთმანეთისგან ნაკლებად განსხვავდება. თუმცა, ნერვული ქსელების გამოყენება ძალიან ძვირი სავარჯიშოა, რომელიც უმეტეს შემთხვევაში მხოლოდ მსხვილ კომპანიებს შეუძლიათ. ნერვული ქსელების განვითარების, ტრენინგისა და ტესტირებისთვის საჭიროა დიდი გამოთვლითი სიმძლავრე, აშკარაა, რომ IT ბაზარზე დიდ მოთამაშეებს ეს საკმარისი აქვთ. ამ სფეროში განვითარების წამყვანი კომპანიებიდან არიან Google DeepMind, Microsoft Research, IBM, Facebook და Baidu.

რა თქმა უნდა, ეს ყველაფერი კარგია: ვითარდება ნერვული ქსელები, იზრდება ბაზარი, მაგრამ ჯერჯერობით მთავარი ამოცანა არ არის გადაჭრილი. კაცობრიობამ ვერ შექმნა ისეთი ტექნოლოგია, რომელიც ადამიანის ტვინთან ახლოსაც კი იქნება შესაძლებლობებით. მოდით შევხედოთ მთავარ განსხვავებებს ადამიანის ტვინსა და ხელოვნურ ნერვულ ქსელებს შორის.

რატომ არის ნერვული ქსელები ჯერ კიდევ შორს ადამიანის ტვინისგან?

ყველაზე მნიშვნელოვანი განსხვავება, რომელიც ძირეულად ცვლის სისტემის პრინციპს და ეფექტურობას, არის სიგნალის განსხვავებული გადაცემა ხელოვნურ ნერვულ ქსელებში და ნეირონების ბიოლოგიურ ქსელში. ფაქტია, რომ ANN-ში ნეირონები გადასცემენ მნიშვნელობებს, რომლებიც რეალური მნიშვნელობებია, ანუ რიცხვები. ადამიანის ტვინში ფიქსირებული ამპლიტუდის მქონე იმპულსები გადაეცემა და ეს იმპულსები თითქმის მყისიერია. ამრიგად, ადამიანის ნეირონების ქსელს მრავალი უპირატესობა აქვს.

პირველი, ტვინში საკომუნიკაციო ხაზები ბევრად უფრო ეფექტური და ეკონომიურია, ვიდრე ANN-ებში. მეორეც, იმპულსური წრე უზრუნველყოფს ტექნოლოგიის განხორციელების სიმარტივეს: საკმარისია ანალოგური სქემების გამოყენება რთული გამოთვლითი მექანიზმების ნაცვლად. საბოლოო ჯამში, იმპულსური ქსელები დაცულია აკუსტიკური ჩარევისგან. მოქმედი ნომრები მიდრეკილია ხმაურისკენ, რაც ზრდის შეცდომების ალბათობას.

შედეგი

რა თქმა უნდა, ბოლო ათწლეულში ნერვული ქსელების განვითარებაში რეალური ბუმია. ეს, უპირველეს ყოვლისა, განპირობებულია იმით, რომ ANN-ის სწავლის პროცესი ბევრად უფრო სწრაფი და მარტივი გახდა. ასევე, აქტიურად დაიწყო ეგრეთ წოდებული „წინასწარ მომზადებული“ ნერვული ქსელების განვითარება, რამაც შეიძლება მნიშვნელოვნად დააჩქაროს ტექნოლოგიის დანერგვის პროცესი. და თუ ნაადრევია იმის თქმა, შეძლებენ თუ არა ერთ დღეს ნერვული ქსელები ადამიანის ტვინის შესაძლებლობების სრულად რეპროდუცირებას, ალბათობა იმისა, რომ მომდევნო ათწლეულში ANN-ები შეძლებენ ადამიანების ჩანაცვლებას არსებული პროფესიების მეოთხედში, სულ უფრო და უფრო იზრდება. სიმართლის მსგავსად.

მათთვის, ვისაც სურს მეტი იცოდეს

• დიდი ნერვული ომი: რას აპირებს Google სინამდვილეში
• როგორ შეუძლიათ შემეცნებით კომპიუტერებს შეცვალონ ჩვენი მომავალი

ბიოლოგიური ნეირონი შედგება 3-დან 100 მიკრონი დიამეტრის მქონე სხეულისგან, რომელიც შეიცავს ბირთვს და პროცესებს. არსებობს ორი სახის პროცესი. აქსონიჩვეულებრივ - ხანგრძლივი პროცესი, რომელიც ადაპტირებულია ნეირონის სხეულიდან აგზნების გასატარებლად. დენდრიტები- როგორც წესი, მოკლე და ძლიერ განშტოებული პროცესები, რომლებიც ემსახურება ნეირონზე მოქმედი ამგზნები და ინჰიბიტორული სინაფსების ფორმირების მთავარ ადგილს (სხვადასხვა ნეირონებს აქვთ აქსონისა და დენდრიტების სიგრძის განსხვავებული თანაფარდობა).

ნეირონს შეიძლება ჰქონდეს მრავალი დენდრიტი და ჩვეულებრივ მხოლოდ ერთი აქსონი. ერთ ნეირონს შეიძლება ჰქონდეს კავშირი 20 ათას სხვა ნეირონთან. ადამიანის ცერებრალური ქერქი შეიცავს ათობით მილიარდ ნეირონს.

ბიოლოგიური ნეირონიარის ნერვული სისტემის უჯრედების უმნიშვნელოვანესი ელემენტი და ტვინის სამშენებლო მასალა. ნეირონები არსებობს რამდენიმე ფორმით, მათი დანიშნულებისა და ადგილმდებარეობის მიხედვით, მაგრამ ზოგადად ისინი მსგავსია სტრუქტურით.

ბრინჯი. 12.4 ნეირონის სქემა

თითოეული ნეირონი არის ინფორმაციის დამუშავების მოწყობილობა, რომელიც იღებს სიგნალებს სხვა ნეირონებიდან სპეციალური შეყვანის სტრუქტურის მეშვეობით, რომელიც შედგება დენდრიტებისაგან. თუ მთლიანი შეყვანის სიგნალი აჭარბებს ზღვრულ დონეს, მაშინ უჯრედი სიგნალს გადასცემს შემდგომ აქსონს, შემდეგ კი სიგნალის გამომავალ სტრუქტურას, საიდანაც იგი გადაეცემა სხვა ნეირონებს. სიგნალები გადაიცემა ელექტრო ტალღების გამოყენებით. (ადამიანის სიცოცხლის განმავლობაში ნეირონების რაოდენობა არ იზრდება, არამედ ვარჯიშის შედეგად იზრდება მათ შორის კავშირების რაოდენობა).

ადამიანის გრძნობის ორგანოებიშედგება დიდი რაოდენობით ნეირონებისგან, რომლებიც ერთმანეთთან დაკავშირებულია მრავალი კავშირით. გრძნობის ორგანო მოიცავს რეცეპტორებსა და ბილიკებს. რეცეპტორები ქმნიან ელექტროქიმიურ სიგნალებს, რომლებიც ვრცელდება წამში 5-დან 125 მეტრამდე სიჩქარით. რეცეპტორები დაშიფვრავენ სხვადასხვა ტიპის სიგნალებს ერთ უნივერსალურ პულსის სიხშირის კოდში.

დროის ერთეულზე ნერვული იმპულსების რაოდენობა ექსპოზიციის ინტენსივობის პროპორციულია. გრძნობებს აქვთ მგრძნობელობის ქვედა და ზედა ზღვარი. ადამიანის გრძნობის ორგანოების რეაქცია (E) სტიმულაციის ინტენსივობაზე (P) შეიძლება უხეშად იყოს წარმოდგენილი ვებერ-ფეხნერის კანონით:

ცხადია, თუ გავითვალისწინებთ ხმაურის გავლენას, მაშინ შეგვიძლია მივიდეთ შენონის ფორმულამდე, რომელიც საშუალებას გვაძლევს შევაფასოთ ასეთი გრძნობის ორგანოს ინფორმაციული შესაძლებლობები. განათლებისა და ტრენინგის საშუალებით, გრძნობების გარჩევადობა შეიძლება გაუმჯობესდეს. გარდა ამისა ადამიანს შეუძლია განასხვავოს სიხშირეების და ამპლიტუდების კომბინაცია, იმდენად, რამდენადაც მიუწვდომელია თანამედროვე ტექნიკური მოწყობილობებისთვის. მაგრამ გრძნობები ფუნქციონირებს შეზღუდულ დიაპაზონში სიხშირითა და ამპლიტუდით.

აღგზნებულ მდგომარეობაში გადასვლისას გამომავალი პროცესში (აქსონი) წარმოიქმნება აგზნების პულსი, რომელიც ვრცელდება მის გასწვრივ 1-დან 100 მ/წმ-მდე სიჩქარით; გამრავლების პროცესი ეფუძნება აქსონის მემბრანის ადგილობრივი გამტარობის ცვლილებას ნატრიუმის და კალიუმის იონებთან მიმართებაში. ნეირონებს შორის პირდაპირი ელექტრული კავშირი არ არსებობს. აქსონიდან სიგნალის გადატანა სხვა ნეირონის შეყვანის პროცესში (დენდრიტში) ქიმიურად ხორციელდება სპეციალურ ზონაში - სინაფსში, სადაც ორი ნერვული უჯრედის დაბოლოებები უახლოვდება ერთმანეთს. ზოგიერთი სინაფსი არის სპეციალური, რომელიც აწარმოებს საპირისპირო პოლარობის სიგნალებს აგზნების სიგნალების ჩასახშობად.

ამჟამად ინტენსიურად მიმდინარეობს ტვინის აქტივობის გლობალური ასპექტების შესწავლა - მისი დიდი უბნების სპეციალიზაცია, მათ შორის ფუნქციური კავშირები და ა.შ. ამავდროულად, ცოტა რამ არის ცნობილი, თუ როგორ ხდება ინფორმაციის დამუშავება შუალედურ დონეზე, ნერვული ქსელის განყოფილებებში, რომლებიც შეიცავს მხოლოდ ათიათასობით ნერვულ უჯრედს.

ზოგჯერ ტვინს ადარებენ კოლოსალურ გამოთვლით მანქანას, რომელიც განსხვავდება ჩვეულებრივი კომპიუტერებისგან მხოლოდ შემადგენელი ელემენტების მნიშვნელოვნად დიდი რაოდენობით. ითვლება, რომ ყოველი აგზნების იმპულსი ატარებს ინფორმაციის ერთეულს, ხოლო ნეირონები ასრულებენ ლოგიკური გადამრთველების როლს კომპიუტერთან ანალოგიით. ეს თვალსაზრისი მცდარია. ტვინი მუშაობს სრულიად განსხვავებულ პრინციპებზე. მას არ გააჩნია ნეირონებს შორის კავშირების ხისტი სტრუქტურა, რაც კომპიუტერის ელექტრული წრედის მსგავსი იქნება. მისი ცალკეული ელემენტების (ნეირონების) საიმედოობა გაცილებით დაბალია, ვიდრე თანამედროვე კომპიუტერების შესაქმნელად გამოყენებული ელემენტები. ასეთი უბნების განადგურებაც კი, რომლებიც შეიცავს საკმაოდ დიდ რაოდენობას ნეირონებს, ხშირად თითქმის არ მოქმედებს ტვინის ამ ზონაში ინფორმაციის დამუშავების ეფექტურობაზე. ზოგიერთი ნეირონი კვდება სხეულის დაბერებით. ტრადიციულ პრინციპებზე აგებულ არცერთ გამოთვლით მანქანას არ შეუძლია გაუმკლავდეს ასეთ დიდ ზიანს.

თანამედროვე კომპიუტერები ასრულებენ ოპერაციებს თანმიმდევრულად, ერთი ოპერაცია საათის ციკლში. რიცხვი ამოღებულია საიდან მეხსიერება, მოთავსებულია პროცესორი, სადაც მასზე გარკვეული მოქმედება სრულდება ნაკარნახევი შესაბამისად პროგრამაინსტრუქცია და შედეგი კვლავ შეიტანება მეხსიერებაში. ზოგადად, ცალკეული ოპერაციის შესრულებისას, ელექტრული სიგნალი უნდა გაიაროს გარკვეული მანძილი დამაკავშირებელი მავთულის გასწვრივ, რამაც შეიძლება შეზღუდოს კომპიუტერის სიჩქარე.

მაგალითად, თუ სიგნალი გადის 30 სმ მანძილზე, მაშინ სიგნალის გამეორების სიჩქარე არ უნდა აღემატებოდეს 1 გჰც-ს. თუ ოპერაციები თანმიმდევრულად შესრულდება, მაშინ ასეთი კომპიუტერის სიჩქარის ლიმიტი წამში მილიარდ ოპერაციას არ გადააჭარბებს. სინამდვილეში, შესრულება, გარდა ამისა, შეზღუდულია კომპიუტერის ცალკეული ელემენტების რეაგირების სიჩქარით. ამიტომ, თანამედროვე კომპიუტერების სიჩქარე უკვე საკმაოდ ახლოსაა მის თეორიულ ზღვართან. მაგრამ ეს სიჩქარე სრულიად არასაკმარისია რთული სისტემების მართვის ორგანიზებისთვის, "ხელოვნური ინტელექტის" პრობლემების გადასაჭრელად და ა.შ.

თუ ზემოხსენებულ მსჯელობას ადამიანის ტვინზე გავავრცელებთ, შედეგები აბსურდული იქნება. ყოველივე ამის შემდეგ, ნერვული ბოჭკოების გასწვრივ სიგნალების გავრცელების სიჩქარე ათობით და ასეულობით მილიონი ჯერ ნაკლებია, ვიდრე კომპიუტერში. თუ ტვინი მუშაობდა თანამედროვე კომპიუტერების პრინციპით, მაშინ მისი სიჩქარის თეორიული ზღვარი იქნებოდა მხოლოდ ათასი ოპერაცია წამში. მაგრამ ეს აშკარად არ არის საკმარისი ტვინის მნიშვნელოვნად მაღალი ეფექტურობის ასახსნელად.

ცხადია, ტვინის აქტივობა დაკავშირებულია ინფორმაციის პარალელურად დამუშავებასთან.ამ დროისთვის, პარალელური გამოთვლების ორგანიზება უკვე გამოიყენება კომპიუტერებში, მაგალითად, მატრიცული პროცესორებით, რომლებიც უფრო მარტივი პროცესორების ქსელია საკუთარი მეხსიერებით. პარალელური გამოთვლის ტექნიკა იმაში მდგომარეობს, რომ ელემენტარულმა პროცესორმა „იცის“ მხოლოდ გარემოს მისი მცირე ელემენტის მდგომარეობის შესახებ. ამ ინფორმაციის საფუძველზე, თითოეული პროცესორი ითვლის თავისი ელემენტის მდგომარეობას დროის შემდეგ მომენტში. ამავე დროს, არ არსებობს სიჩქარის შეზღუდვა, რომელიც დაკავშირებულია სიგნალის გავრცელების სიჩქარესთან. მატრიცული პროცესორი მდგრადია ადგილობრივი დაზიანების მიმართ.

პარალელური გამოთვლის იდეის განვითარების შემდეგი ეტაპი იყო კომპიუტერული ქსელების შექმნა. კომპიუტერების ამგვარი „საზოგადოება“ მრავალუჯრედოვან ორგანიზმს წააგავს, რომელიც „თავისი ცხოვრებით ცხოვრობს“. ამავდროულად, კომპიუტერული ქსელის, როგორც კომპიუტერების ერთობლიობის ფუნქციონირება არ არის დამოკიდებული იმაზე, თუ როგორ არის მოწყობილი თითოეული ცალკეული კომპიუტერი, რა პროცესები უზრუნველყოფს მასში ინფორმაციის დამუშავებას. შეიძლება წარმოვიდგინოთ ქსელი, რომელიც შედგება პრიმიტიული კომპიუტერების ძალიან დიდი რაოდენობით, რომელსაც შეუძლია შეასრულოს მხოლოდ რამდენიმე ოპერაცია და შეინახოს რამდენიმე რაოდენობის მყისიერი მნიშვნელობები მის მეხსიერებაში.

მათემატიკური თვალსაზრისით, ასეთი ქსელები, რომლებიც შედგება ელემენტებისაგან, რეაქციების მარტივი რეპერტუარით, ჩვეულებრივ განიხილება, როგორც ფიჭური ავტომატები... ტვინი ფუნქციონირებისა და სტრუქტურის პრინციპით ბევრად უფრო ახლოს არის მატრიცულ პროცესორთან, ვიდრე ტრადიციულ კომპიუტერთან, ოპერაციების თანმიმდევრული შესრულებით. თუმცა, არსებობს ფუნდამენტური განსხვავება ადამიანის ტვინსა და ნებისმიერ პარალელურ კომპიუტერს შორის. ფაქტია, რომ ტვინის ნერვული ქსელები საერთოდ არ არის ჩართული რაიმე გამოთვლებით. აბსტრაქტული აზროვნება (საქმე ციფრებთან და მათემატიკურ სიმბოლოებთან) მეორეხარისხოვანია ტვინის ფუნდამენტური მექანიზმების მიმართ. ძნელი წარმოსადგენია, რომ როდესაც, მაგალითად, კატა ნახტომში ჩიტს დაეწევა, მისი ტვინი წამებში ხსნის არაწრფივი დიფერენციალური განტოლებების სისტემას, რომელიც აღწერს ნახტომის ტრაექტორიას და სხვა მოქმედებებს.

ამ თემაზე შეიძლება მოვიყვანოთ ა.აინშტაინის შემდეგი განცხადება: „სიტყვები და ენა, როგორც ჩანს, არანაირ როლს არ თამაშობენ ჩემს აზროვნების მექანიზმში. ფიზიკური პირები, რომლებიც სინამდვილეში, როგორც ჩანს, აზროვნების ელემენტებია, არის გარკვეული ნიშნები და მეტ-ნაკლებად მკაფიო გამოსახულებები, რომელთა თვითნებურად რეპროდუცირება და გაერთიანება შესაძლებელია... ჩვეულებრივი სიტყვები უნდა შეირჩეს მხოლოდ მეორე ეტაპზე...“.

ტვინი მუშაობს როგორც კოლოსალური „ანალოგური“ მანქანა, სადაც სამყარო აისახება ნეირონების აქტივობის სივრცით-დროით სტრუქტურებში. თავის ტვინის მსგავსი მექანიზმი ბუნებრივად შეიძლება წარმოიშვას ბიოლოგიური ევოლუციის პროცესში.

უმარტივესი ცხოველისთვის ნერვული სისტემის მთავარი ფუნქცია გარესამყაროს მიერ გამოწვეული შეგრძნებების გარკვეულ მოტორულ აქტივობად გარდაქმნაა. ევოლუციის ადრეულ ეტაპზე კავშირი გამოსახულება-გრძნობასა და გამოსახულება-მოძრაობას შორის არის პირდაპირი, ცალსახა და მემკვიდრეობითად დაფიქსირებული ნეირონებს შორის კავშირების საწყის სტრუქტურაში. შემდგომ ეტაპებზე ეს კავშირი უფრო რთულდება და ჩნდება სწავლის უნარი. გამოსახულება-სენსაცია აღარ არის მტკიცედ დაკავშირებული სამოქმედო გეგმასთან. პირველ რიგში, ხორციელდება მისი შუალედური დამუშავება და შედარება მეხსიერებაში შენახულ სურათებთან. გამოსახულების შუალედური დამუშავება უფრო რთული ხდება ევოლუციის კიბეზე ასვლისას. საბოლოო ჯამში, ხანგრძლივი განვითარების შემდეგ ყალიბდება პროცესი, რომელსაც აზროვნებას ვუწოდებთ.

"ფიჭური ავტომატის" პრინციპი შეიძლება გამოყენებულ იქნას ნიმუშის ამოცნობისთვის.სისტემას აქვს ასოციაციური მეხსიერება, თუ, როდესაც სურათი მიეწოდება მის შეყვანას, ის ავტომატურად ირჩევს და მიაწვდის გამოსავალს მეხსიერებაში შენახულ სურათს, რომელიც ყველაზე ახლოს არის მასთან.

ნერვული ქსელები არის ხელოვნური ინტელექტის სფეროში კვლევის ერთ-ერთი მიმართულება, რომელიც დაფუძნებულია ადამიანის ნერვული სისტემის რეპროდუცირების მცდელობებზე. კერძოდ: ნერვული სისტემის უნარი ისწავლოს და გამოასწოროს შეცდომები, რამაც შესაძლებელი უნდა გახადოს ადამიანის ტვინის მუშაობის სიმულაცია, თუმცა საკმაოდ უხეშად.

ან ადამიანის ნერვული სისტემა არის ადამიანის სტრუქტურების რთული ქსელი, რომელიც უზრუნველყოფს სხეულის ყველა სისტემის ურთიერთდაკავშირებულ ქცევას.

ბიოლოგიური ნეირონი არის სპეციალური უჯრედი, რომელიც სტრუქტურულად შედგება ბირთვისგან, უჯრედის სხეულისა და პროცესებისგან. ნეირონის ერთ-ერთი მთავარი ამოცანაა ელექტროქიმიური იმპულსის გადაცემა მთელ ნერვულ ქსელში სხვა ნეირონებთან ხელმისაწვდომი კავშირებით. უფრო მეტიც, თითოეული კავშირი ხასიათდება გარკვეული მნიშვნელობით, რომელსაც სინაფსური კავშირის სიძლიერე ეწოდება. ეს მნიშვნელობა განსაზღვრავს, თუ რა ემართება ელექტროქიმიურ იმპულსს, როდესაც ის სხვა ნეირონს გადაეცემა: ან გაიზრდება, ან დასუსტდება, ან უცვლელი დარჩება.

ბიოლოგიურ ნერვულ ქსელს აქვს კავშირის მაღალი ხარისხი: ერთ ნეირონს შეიძლება ჰქონდეს რამდენიმე ათასი კავშირი სხვა ნეირონებთან. მაგრამ, ეს არის მიახლოებითი მნიშვნელობა და თითოეულ შემთხვევაში განსხვავებულია. იმპულსების გადაცემა ერთი ნეირონიდან მეორეზე იწვევს მთელი ნერვული ქსელის გარკვეულ აგზნებას. ამ აგზნების სიდიდე განსაზღვრავს ნერვული ქსელის რეაქციას რაიმე სახის შეყვანის სიგნალებზე. მაგალითად, ძველ ნაცნობთან პირის შეხვედრამ შეიძლება გამოიწვიოს ნერვული ქსელის ძლიერი აგზნება, თუ ამ ნაცნობობასთან დაკავშირებულია ზოგიერთი ნათელი და სასიამოვნო ცხოვრებისეული მოგონება. თავის მხრივ, ნერვული ქსელის ძლიერმა აგზნებამ შეიძლება გამოიწვიოს გულისცემის გახშირება, თვალების უფრო ხშირი დახამხამება და სხვა რეაქციები. ნერვული ქსელისთვის უცხო ადამიანთან შეხვედრა თითქმის შეუმჩნეველი იქნება და, შესაბამისად, არ გამოიწვევს რაიმე ძლიერ რეაქციას.

შეიძლება ციტირდეს ბიოლოგიური ნერვული ქსელის უაღრესად გამარტივებული მოდელი:

თითოეული ნეირონი შედგება უჯრედის სხეულისგან, რომელიც შეიცავს ბირთვს. ბევრი მოკლე ბოჭკო, რომელსაც ეწოდება დენდრიტები, განშტოებულია უჯრედის სხეულიდან. გრძელ დენდრიტებს აქსონები ეწოდება. აქსონები გადაჭიმულია დიდ დისტანციებზე, ბევრად აღემატება იმას, რაც ნაჩვენებია ამ ფიგურის მასშტაბზე. როგორც წესი, აქსონები 1 სმ სიგრძისაა (რაც 100-ჯერ აღემატება უჯრედის სხეულს), მაგრამ შეიძლება მიაღწიოს 1 მეტრს.

XX საუკუნის 60-80-იან წლებში ხელოვნური ინტელექტის სფეროში კვლევის პრიორიტეტული სფერო იყო. საექსპერტო სისტემებმა კარგად იმუშავეს, მაგრამ მხოლოდ მაღალ სპეციალიზებულ სფეროებში. განსხვავებული მიდგომა იყო საჭირო უფრო მრავალმხრივი ინტელექტუალური სისტემების შესაქმნელად. შესაძლოა, ამან განაპირობა ის ფაქტი, რომ ხელოვნური ინტელექტის მკვლევარებმა ყურადღება მიაქციეს ბიოლოგიურ ნერვულ ქსელებს, რომლებიც ადამიანის ტვინის საფუძველშია.

ხელოვნური ინტელექტის ნერვული ქსელები ბიოლოგიური ნერვული ქსელების გამარტივებული მოდელებია.

სწორედ აქ მთავრდება მსგავსება. ადამიანის ტვინის სტრუქტურა ბევრად უფრო რთულია, ვიდრე ზემოთ აღწერილი და, შესაბამისად, შეუძლებელია მისი რეპროდუცირება, სულ მცირე, მეტ-ნაკლებად ზუსტად.

ნერვულ ქსელებს ბევრი მნიშვნელოვანი თვისება აქვთ, მაგრამ მთავარი არის სწავლის უნარი. ნერვული ქსელის სწავლება, პირველ რიგში, გულისხმობს ნეირონებს შორის სინაფსური კავშირების „სიძლიერის“ შეცვლას. შემდეგი მაგალითი ნათლად აჩვენებს ამას. პავლოვის კლასიკურ ექსპერიმენტში ყოველ ჯერზე ზარი რეკავდა ძაღლის კვების წინ. ძაღლმა სწრაფად ისწავლა ზარის რეკვის დაკავშირება საჭმელთან. ეს გამოწვეული იყო იმით, რომ გაიზარდა სინაფსური კავშირები ტვინის ნაწილებს შორის, რომლებიც პასუხისმგებელნი არიან სმენაზე და სანერწყვე ჯირკვლებზე. და შემდგომში, ნერვული ქსელის აგზნება ზარის ხმით, დაიწყო ძაღლში უფრო ძლიერი ნერწყვდენა.

დღეს ნეირონული ქსელები ხელოვნური ინტელექტის სფეროში კვლევის ერთ-ერთი პრიორიტეტული სფეროა.