В мире животных опасностям довольно часто предшествуют предупредительные символы: контрольные звуки, перемещения и запахи смогут быть подсказками неизбежного нападения. В случае если мышь переживет наступление кошки, ее будущее будет более броским, если она извлечет уроки из неудавшейся попытки и прочтёт подсказки рано в следующий раз около.
Но мыши всегда засыпаются огромным числом чувствительных впечатлений, большая часть которых не связано с опасностью. Так, как они знают, ароматы и какие звуки от их среды предсказывают наступление кошки и каковые не делают?
Это формирует проблему для мозга мыши. Как правило решающие экологические стимулы временно рассеяны от фактического нападения, так, мозг обязан связать подсказку и получающееся событие (к примеру, нападение и звук) кроме того при том, что имеется задержка между ними. Прошлые теории не дали удовлетворительные объяснения относительно того, как мозг ликвидирует разрыв между связанным результатом и сигналом.
Роберт Гутиг из Университета Макса Планка Экспериментальной Медицины нашёл, как мозг может решить эту проблему. На компьютере он запрограммировал нейронную сеть, которая реагирует на стимулы таким же образом как несколько биологических клеток. Эта сеть может обучаться отфильтровывать сигналы, каковые предвещают последующее событие.
Это зависит от частотыСеть обучается, усиливаясь либо ослабляя определенные синапсы между образцовыми нейронами.
Фонд компьютерной модели – синаптическое правило изучения, по которому отдельные нейроны смогут расширить либо уменьшить собственную деятельность в ответ на несложный сигнал изучения. Гутиг применял это правило изучения установить новый порядок изучения. «Эта процедура изучения ‘совокупной этикетки’ основана на понятии урегулирования связей между клетками таким методом, которым получающаяся нервная деятельность за определенный период пропорциональна количеству сигналов», растолковывает Гутиг. Так, в случае если сигнал изучения отражает интенсивность и возникновение определенных событий в среде мыши, нейроны обучаются реагировать на стимулы, каковые предвещают те события.
Но сети Гутига смогут обучаться реагировать на экологические стимулы, кроме того в то время, когда никакие сигналы изучения не дешёвы в окружающей среде. Они делают это, трактуя среднюю нервную деятельность в сети как сигнал изучения. Отдельные нейроны обучаются реагировать на стимулы, каковые происходят в тех же самых числах как те, на которых реагируют другие нейроны в сети.
Это ‘самоконтролируемое’ изучение следует за принципом, отличающимся от теории Hebbian, которая довольно часто использовалась в неестественных нейронных сетях. Сети Hebbian обучаются, усиливая синапсы между нейронами, каковые пронзают одновременно с этим либо в стремительной последовательности. «В самоконтролируемом изучении не нужно для нервной деятельности быть временно выровненным.
Общее число скачков в установленном сроке – решающий фактор для синаптического трансформации», говорит Гутиг. Это указывает, что такие сети смогут связать сенсорные подсказки разных типов, к примеру, визуальный, слуховой и обонятельный, кроме того в то время, когда имеется большие задержки между их соответствующими нервными представлениями.
Кроме того, что приобретение знаний Гутига процедуры растолковывает биологические процессы; это имело возможность кроме этого проложить путь к на большом растоянии идущим улучшениям технологического применения, для того чтобы как автоматическое распознавание речи. «Это облегчило бы большое упрощение учебных требований для компьютерного распознавания речи. Вместо старательно сегментированных языковых баз данных либо сложных методов сегментации, совокупная этикетка, учащаяся, имела возможность совладать лишь с подзаголовками от последних известий, к примеру», говорит Гутиг.