AI Lab

В широко распространенных однородных искусственных нейронных сетях используют только такие свойства нейрона, как суммация входных сигналов и изменение весов входов в процессе обучения, что позволяет настраивать топологию сети на решение задач классификации и распознавания образов или принятия решения и управления при соответствующем формировании входных сигналов и интерпретации выхода. Для облегчения пользования и формирования единой теории построения искусственных однородных сетей, их многочисленное разнообразие с различными архитектурой и правилами обучения систематизировано и представлено отдельными функциональными блоками в рамках идеального нейрокомпьютера [1].  Примером создания моделей, воспроизводящих решением уравне-ний Ходжкина-Хаксли генерацию импульсов, являются нейроимитато-ры, выполненные как программы для учебных целей. Редактор форми-рует архитектуру сети (количество нейронов, связи между ними, пара-метры нейронов и связей и т.п.) и позволяет пользователю создать мо-дель с 10000 нейронов, “весьма близкую по своим характеристикам к реальным нейронным структурам” [2]. Но кто сможет понять, как рабо-тает такая структура и какова функция связей нейронов между собой? Характерным для современного подхода к моделированию работы мозга является двухгодичный проект Blue Brain. Начатый в 2005 году, проект продлён в 2007 году на последующие 10 лет под предлогом не-обходимости учёта молекулярных (генных?) процессов внутри нервной клетки. Потребовалось меньше 2-х лет, чтобы Blue Brain точно (???!) смоделировать колонку Маунткастла, являющуюся крошечной пластинкой мозга крысы из 10000 нейронов с 30 миллионами синапсов между ними, с возможностью 3D визуализации её работы. Что значит работает? Нейроны шумят, как рой насекомых? Какие механизмы или принципы объединения нейронов в функционировании нервной системы хочет понять или выяснить автор столь грандиозного проекта? Взгляд на искусственные нейронные сети как устройства, способ-ные принимать решения, возникает из-за формирования в них в процессе обучения логических связей между входом и выходом, что функцио-нально имитирует процессы выбора или принятия решения, характер-ные для сознательной деятельности живых организмов. Ф. Розенблатт надеялся, что количество перейдёт в качество. Сегодня полагают, что достижение “интеллекта” нейросетевыми технологиями возможно при увеличении быстродействия двоичного элемента и реализации логико-символьного подхода с организацией вычислений с массовым распараллеливанием, в том числе на аппаратном уровне. Принципы кодирования и преобразования информации в нервной системе, изучавшиеся на зрительном и слуховом анализаторах, являются гипотетическими, т.к. интерпретируются в терминах выделения признаков входных сигналов, что способствует созданию математи-ческих моделей, но не приближает нас к пониманию функции связей между нейронами в нервной системе. Наш подход к изучению механизмов взаимодействия нейронов связан с изучением системы управления движениями. В физиологиче-ских исследованиях и на модели мы показали, что по сети нейронов не-возможно передать информацию, как это понимается в технике [3, 4]. Уже на выходе первого нейрона невозможно воспроизвести структуру импульсного потока, сформированного афферентным нейроном (рис. 1).

 

  

Рис. 1. Преобразование импульсных потоков в модели простой нейронной сети. Цифры на схеме соответствуют номерам лучей на записях А, Б и В. На Б и В увеличение частоты и длительности активации входа 1 по сравнении с А. Выходы 3, 4 и 6 – тормозные. 5 и 7 – запись внутриклеточного потенциала.

Моделирование функции синапса как ключа, изменяющего проводи-мость постсинаптической мембраны, позволило создать электронные аналоги со свойствами преобразования импульсных потоков, относимых к мотонейронам, клеткам Реншоу и вставочным нейронам, что дало возможность исследовать на модели, содержащей 50 аналогов нейронов и 200 синаптических входов для формирования дендритного и синаптического аппарата, управление мышцей в разных режимах её сокращения. Показали, что в замкнутых структурах импульсные потоки гомеостатированы свойствами элементов кольца, а проприоцептивные обратные связи от мышечных рецепторов представляют гомеостатический механизм (по У.Р. Эшби), превращающий неустойчивый локомоторный аппарат в управляемый для высших отделов моторной системы. Необходимость многоуровневой регуляции в моторной системе показана Н.А. Бернштейном. Изучая удерживаемое человеком изометрическое усилие и применив метод анализа временных рядов, мы получили главные компоненты разложения, относимые к уровнями такой регуляции (рис. 2).  

 
Рис. 2. Представлены 7 с фрагменты 30 с записи непроизвольных колебаний силы, удерживаемого левой (слева от центральной оси) и правой (справа) рукой, и соответствующее им разложение произвольного усилия на главные компоненты (показаны первые 11 с наибольшим вкладом; ось слева, %).

Кроме значимости для физиологии движений и клинической меди-цины, эти данные важны для понимания принципов и механизмов орга-низации регулирующей функции во всех отделах центральной нервной системы, которые можно применить в робототехнических комплексах.

1. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Нау-ка, Сибирская издательская фирма РАН, 1998. 188 с.

2. Литвинов Е.Г. Нейроимитатор как новый инструмент нейрокомпью-тинга. Нейрокомпьютер, 1993, №5-6, с. 47-52.

3. Романов С.П. Моделирование механизмов спинального уровня управ-ления мышечным сокращением. Автореф. дисс. кандидата биологиче-ских наук. Институт физиологии им. И.П. Павлова АН СССР. Л. 1974.

4. Романов С.П. Нейрофизиологические механизмы гомеостаза двига-тельной функции. Автореф. дисс. доктора биологических наук. Ин-ститут физиологии им. И.П. Павлова АН СССР. Л. 1989.