مغز چگونه با صحبت کردن با خود آموزش می‌بیند؟
مغز سیستمی است که با خواندن فعالیت خودش آموزش می‌بیند.
بسیاری از موجودات زنده ظرفیت یادگیری عظیمی دارند که به آن‌ها امکان می‌دهد اطلاعات حسی جدید را برای کسب مهارت‌های جدید یا سازگاری با محیطِ در‌حال‌تغییر درک کنند. بااین‌حال، بسیاری از سازوکارهای یادگیری به‌خوبی درک نگردیده‌اند. یکی از موضوعات مشکل‌ساز مرتبط‌با سیستم عصبی، توضیح این مسئله است که چگونه ارتباطات سیناپسی برای حمایت از رفتارهای مرتبط‌با تطابق‌پذیری تغییر می‌کند. دانشمندان علوم اعصاب دانشگاه جنوا در سوئیس، قبلا نشان داده‌اند سازوکارهای سیناپسی یادگیری در قشر مغز به بازخوردهای حاصل از مناطق عمیق‌تر مغز وابسته هستند. آن‌ها اکنون کشف کرده‌اند این دریچه‌های بازخوردی سیناپسی، با خاموش و روشن‌گشتن نورون‌های بازدارنده تقویت می‌گردند.
این مطالعه نه‌تنها عطفگاهی در افزایش درک ما در زمینه‌ی سازوکارهای یادگیری ادراکی است؛ بلکه ممکن است چشم‌اندازی تازه به‌سوی سیستم‌های یادگیری کامپیوتری و هوش مصنوعی بگشاید. قشر مغز و بخش خارجی و بزرگ مغز در عملکردهای شناختی بیشتر، رفتارهای پیچیده، ادراک و یادگیری نقش دارد. پس از رسیدن محرک‌های حسی، قشر مغز اطلاعاتش را قبل از اینکه به دیگر مناطق مغز عبور دهد، پردازش و فیلتر می‌کند. بعضی از این مناطق به‌نوبه‌ی خود اطلاعات را به قشر مغز بازمی‌گردانند.
این حلقه‌ها که با عنوان سیستم‌های بازخورد شناسایی می‌گردند، تصور می‌رود برای عملکرد شبکه‌های قشری مغز و انطباق آن‌ها با اطلاعات حسی جدید ضروری هستند. برای یادگیری ادراکی (توانایی بهبودیافته برای پاسخ به محرک‌های حسی)، ابتدا مدارهای عصبی اهمیت اطلاعات حسی وارده را باید ارزیابی کنند و سپس، نحوه‌ی پردازش آن در آینده را پالایش کنند. آنتونی هولتمات، استاد علوم اعصاب که سرپرستی این مطالعه را برعهده دارد، می‌گوید:
سیناپس‌هایی که مسئول انتقال اطلاعات به دیگر مناطق مغز هستند، این کار را ازطریق سیستم‌های بازخورد انجام می‌دهند.
موهای روی پوزه‌ی موش ازنظر حس لامسه تخصص یافته‌اند و نقش عمده‌ای در توانایی جانور برای درک محیط مستقیم خود دارند. بخشی از قشر مغز که اطلاعات حسی حاصل از این موها را پردازش می‌کند، به‌طور مداوم سیناپس‌های خود را به‌منظور یادگیری جنبه‌های جدیدی درباره‌ی محیط لمسی بهینه‌سازی می‌کند. بنابراین، این، مدلی جالب برای درک نقش سیستم‌های بازخورد در سازوکارهای یادگیری سیناپسی است.
پژوهشگران مدار بازخورد مرتبط با موهای روی پوزه‌ی جانور را جدا کردند و از الکترودهایی برای اندازه‌گیری فعالیت الکتریکی نورون‌های قشر مغز بهره بردند. سپس، آن‌ها ورودی حسی را با تحریک بخش خاصی از قشر مغز تقلید کردند که در پردازش این اطلاعات نقش دارد و در همان زمان، از نور برای کنترل مدار بازخورد استفاده کردند. هولتمات گفت:
این مدل در خارج از بدن جانور به ما اجازه داد تا این بازخورد را مستقل از ورودی‌های حسی کنترل کنیم؛ موضوعی که در آزمایش داخل بدن جانور ممکن نیست. قطع ارتباط ورودی حسی از بازخورد، برای درک اثر متقابل بین دو عنصر مؤثر در تقویت سیناپسی ضروری بود.
پژوهشگران متوجه گردیدند هر دو مؤلفه وقتی به‌طور جداگانه فعال می گردند، طیف وسیعی از نورون‌ها را فعال می‌کنند. اگرچه وقتی به‌طور همزمان فعال گشتند، فعالیت برخی از نورون‌ها کاهش یافت. لینا ویلیامز، یکی از نویسندگان مقاله می‌گوید:
جالب این است نورون‌هایی که وقتی ورودی حسی و بازخورد باهم اتفاق می‌افتد، مهار می‌گردند، معمولاً نورون‌هایی را مهار می‌کنند که برای ادراک مهم هستند. این فرآیند به‌عنوان مهارِ مهار یا بازداری‌زدایی (Disinhibition) شناخته می‌گردد. بنابراین، این نورون‌ها همچون دریچه‌ای برای اطلاعات ورودی عمل می‌کنند و معمولا بسته هستند. باوجوداین، وقتی بازخوردها می‌آیند، دریچه باز می‌گردد و به سیناپس‌ها اجازه می‌دهد از اطلاعات حسی اولیه مراقبت و آن‌ها را تقویت کنند.
او افزود:
با این مطالعه مشخص کردیم چگونه بازخوردها ارتباطات سیناپسی را به‌منظور آمادگی برای اطلاعات ورودی آینده بهینه‌سازی می‌کنند. اکنون که آن‌ها را دقیق شناسایی کرده‌اند کدام نورون‌ها در این سازوکار مشارکت دارند، قصد دارند نتایج خود را در زندگی حقیقی آزمایش کنند. برای نمونه، به‌منظور بررسی این موضوع که آیا نورون‌های مهارکننده زمانی‌که موش نیاز است اطلاعات حسی جدیدی یاد بگیرد یا زمانی‌که جنبه‌های جدیدی از محیط لمسی را کشف می‌کند، طبق پیش‌بینی رفتار می‌کند یا نه.
چگونه مدارهای مغزی، خودشان را بهینه‌سازی می‌کنند؟ چگونه سیستم می‌تواند با خواندن فعالیت خودش آموزش ببیند؟ جدای ارتباط با یادگیری در حیوانات، این سؤال در قلب برنامه‌های یادگیری ماشین نیز قرار دارد. درواقع، برخی از متخصصان یادگیری عمیق تلاش می‌کنند برای ایجاد سیستم‌های هوش مصنوعی، از عمل مدارهای مغزی تقلید کنند.
اطلاعاتی که در این نوع پژوهش‌ها به‌دست می‌آید، شاید مربوط به یادگیری بدون نظارت است؛ شاخه‌ای از یادگیری ماشین که با مدل‌هایی مداری کار می‌کند که می‌توانند اطلاعات جدید را خود سازمان‌دهی و بهینه کنند. این نتایج برای مثال به‌منظور ایجاد برنامه‌های کارآمد تشخیص صدا و چهره مفید است.
