Gibt es Forschung, die realistische Modelle von Neuronen verwendet?

Gibt es Forschung, die realistische Modelle von Neuronen verwendet? Normalerweise ist das Modell eines Neurons für ein neuronales Netzwerk im Gegensatz zum realistischen Neuron, an dem Hunderte von Proteinen und Millionen von Molekülen (oder sogar eine größere Anzahl) beteiligt sind, recht einfach. Gibt es Forschung, die Implikationen aus dieser Realität zieht und versucht, realistische Modelle von Neuronen zu entwerfen?

Insbesondere wurde kürzlich das Hagebutten-Neuron entdeckt. Ein solches Neuron kann nur in menschlichen Gehirnzellen (und in keiner anderen Spezies) gefunden werden. Gibt es einige Implikationen für das Design und den Betrieb neuronaler Netze, die durch realistische Modellierung dieses Hagebutten-Neurons gezogen werden können?

Stand der Hagebuttenforschung

Das Hagebutten-Neuron ist eine wichtige Entdeckung mit weitreichenden Auswirkungen auf die KI und ihre Beziehung zur dominanten Intelligenz auf der Erde seit mindestens 50.000 Jahren. Das Papier, das andere Artikel hervorgebracht hat, ist ein transkriptomischer und morphophysiologischer Beweis für einen spezialisierten humanen kortikalen GABAergen Zelltyp , Buldog et. al., September 2018, Nature Neuroscience .

Die Beziehung zwischen diesem Neuronentyp und seiner DNA-Expression beginnt. Es liegen keine Daten zu den Auswirkungen der Rosehop-Unterscheidungen auf die neuronale Aktivität während des Lernens oder der Nutzung des Gelernten vor. Sicherlich ist eine Forschung in dieser Richtung angezeigt, aber die Entdeckung wurde gerade veröffentlicht.

Nutzen des interdisziplinären Ansatzes zur KI

Dass diejenigen, die auf solche Artikel verweisen, Wert in der Vereinheitlichung oder zumindest Ausrichtung von Wissen über Disziplinen hinweg sehen können, ist höchstwahrscheinlich für den KI-Fortschritt und den Fortschritt in den anderen Bereichen der Kognitionswissenschaft, Bioinformatik, Geschäftsautomatisierung, Fertigung und Verbraucherrobotik, Psychologie, von Vorteil. und sogar Recht, Ethik und Philosophie.

Dass ein solches Interesse an einer interdisziplinären Ausrichtung des Verständnisses in AI Stack Exchange besteht, ist sicherlich für das Wachstum der Community sowohl in beruflicher als auch in sozialer Hinsicht von Vorteil.

Disparität zwischen dem, was funktioniert

Im menschlichen Gehirn arbeiten Neuronen. Ob Hagebutten-Neuronen eine Voraussetzung für Sprache, den Aufbau und die Nutzung komplexer Modelle oder transzendente Emotionen wie die Liebe zum Homo Sapiens sind, ist unbekannt und wird es auch in naher Zukunft bleiben. Wir haben jedoch einen fünfzig Jahrtausende langen Proof of Concept.

Wir wissen auch, dass künstliche Netzwerke funktionieren. Wir verwenden sie heute in den Bereichen Wirtschaft, Finanzen, Industrie, Konsumgüter und einer Vielzahl von Webdiensten. Wenn ein Popup fragt, ob die gegebene Antwort hilfreich war, wird unsere Antwort zu einer Bezeichnung in einem Satz realer Daten, aus denen Stichproben für maschinelles Lernen extrahiert werden.

Nichtsdestotrotz sind die Zellen, die arbeiten, Nachkommen des Perzeptrons von 1957, wobei zusätzlich die Anwendung des Gradientenabfalls unter Verwendung einer effizienten Strategie zur Korrektur der Signalverteilung angewendet wird, die wir als Ausbreitung bezeichnen. Das Verständnis der Neuronenfunktion im Jahr 1957 war weit hinter dem zurück, was wir heute als funktionelle Merkmale von Gehirnneuronen von Säugetieren kennen. Die Hagebuttenentdeckung könnte diese Lücke vergrößern.

Spiking-Netzwerke

Die Spiking-Netzwerkforschung modelliert Neuronen realistischer, und die neuromorphe Forschung und Entwicklung hat verbesserte Modelle in VLSI-Chips eingebaut. Das Joint Venture zwischen IBM und MIT ist ein weiteres.

Korrelation der neuronalen Funktion mit der Gehirnfunktion

Die Beziehungsintelligenz und die Anzahl der Proteine ​​oder Moleküle sind möglicherweise nicht besonders aussagekräftig. Dies sind wahrscheinlichere Beziehungen zwischen Metriken und Merkmalen und der Intelligenz des Systems.

• Es wurden genetische Merkmale identifiziert (22 davon), die sich direkt auf die Ergebnisse von Intelligenztests auswirken. Beispielsweise ist die Korrelation zwischen Polymorphismen der Oxytocinrezeptorgene OXTR rs53576, rs2254298 und rs2228485 und der Intelligenz bekannt. Siehe die Frage mit Verweisen auf die Entdeckung von 22 Gene, die die Ergebnisse von Intelligenztests erheblich beeinflussen
• Neurochemische Expression aufgrund von Umweltfaktoren, die die Spiegel von Oxytosin, Dopamin, Serotonin, Neuropeptid Y und Canabinoiden variieren und am globalen und regionalen Funktionsverhalten des menschlichen Gehirns beteiligt sind
• Signaltopologie (verschieden von Größe und Anzahl und verschieden von der Topologie, die durch das Packen neuronaler Netze in der Schädelregion erzeugt wird) - Die Signaltopologie wird jetzt identifiziert. Die Scan-Technologie hat sich so weit entwickelt, dass Signalpfade identifiziert werden können, indem Impulse im zeitlichen Raum verfolgt und die Kausalität bestimmt werden.
• Synaptische Plastizität, eine Art neuronale Plastizität
• Gesamtzahl der Neuronen, die auf eine bestimmte Gehirnfunktion angewendet werden
• Einfluss auf die Axon- und Zellkörperthermodynamik auf die Signalübertragung, ein Schlüsselelement bei der Modellierung eines Gehirnneurons

Keines davon ist bisher so modelliert, dass die Simulationsgenauigkeit bestätigt wurde, aber die Notwendigkeit, in diese Richtung zu forschen, wird deutlich, wie diese Frage impliziert.

Es sieht so aus, als hätten Sie hier wirklich zwei Fragen. Ich werde versuchen, die erste zu beantworten, und Sie sollten darüber nachdenken, eine separate Frage für die zweite zu stellen.

Es wird geforscht, simulierte Modelle biologisch realistischer Neuronen zu verwenden. Während es große Projekte wie das Human Brain Project gibt, die darauf abzielen, das menschliche Gehirn zu simulieren, gibt es auch viel KI-Forschung auf niedrigerer Ebene. SPAWN ist ein interessantes System, das vor einigen Jahren viel Presse bekommen hat und seitdem weiterentwickelt wurde. Es verwendet realistische Neuronen, um mehrere Gehirnregionen gleichzeitig zu simulieren, wodurch ein überraschend allgemeines KI-System entsteht, das viele Arten von Motor- und Sehaufgaben mit demselben Grunddesign ausführen kann.

Es ist wahr, dass das derzeitige maschinelle Lernen auf der Behandlung von Neuronen als Bestandteil der gesamten Komplexität, des Netzes von Neuronen, basiert. Der Fokus liegt eher auf der Architektur als darauf, den Grundblock, dh die Neuronen, klarer zu verstehen oder nachzuahmen.

Anirban Bandhopadhyay ist ein Biologe und Neurologe, der untersucht hat, wie die Harmonie das Gedächtniselement und die Entscheidungskraft in Mikrotrocken in den Neuronen verändert.

Hier ist der Ausschnitt von ihm, der erklärt und versucht zu sehen, was genau Berechnung ist und wie das Gehirn Berechnungen durchführt.

Wie wirkt das Gehirn?