ნერვული მონაცემების მეცნიერება: როგორ და რატომ

ნეირონების შესახებ მონაცემთა მეცნიერების გაკეთების უხეში სახელმძღვანელო

ტვინი, რომელიც აკეთებს მონაცემთა მეცნიერებას. კრედიტი: Matt Wasser- ის ტვინი არსებითი პროექტისგან

მშვიდად, სტაცურად, ნეირომეცნიერების ახალი ტიპი ხდება. თეორეტიკოსთა მრავალრიცხოვანი რიგებიდან გაიზარდა ნეირომეცნიერების გუნდები, რომლებიც მეცნიერებას ახდენენ ნეირო საქმიანობის შესახებ მონაცემებით, ასობით ნეირონის იშვიათად დაშლის შესახებ. არა მონაცემთა ანალიზის მეთოდების შექმნა, თუმცა ყველა ამას აკეთებს. არა ამ მონაცემების შეგროვება, ამისთვის საჭიროა სხვა, ძლიერი და უნარების ნაკრები. მაგრამ ნეირომეცნიერები იყენებენ ამ მონაცემების თანამედროვე გამოთვლითი ტექნიკის სრულ გამტარს, რომ უპასუხონ ტვინის შესახებ სამეცნიერო კითხვებს. გამოჩნდა ნერვული მონაცემების მეცნიერება.

გამოდის, რომ მე ვარ ერთ-ერთი მათგანი, ეს არის ნერვული მონაცემების მეცნიერების ეს კლანი. შემთხვევით. რამდენადაც შემიძლია გითხრათ, რომ ასე იწყება ყველა სამეცნიერო დარგი: შემთხვევით. მკვლევარები თვალყურს ადევნებენ ცხვირს, იწყებენ ახალი ნივთების გაკეთებას და მოულოდნელად აღმოაჩენენ, რომ მათ პატარა გულშემატკივარი არის სამზარეულოში წვეულებებზე (რადგან ეს არის იქ, სადაც სასმელებია, მაცივარში - მეცნიერები ჭკვიანები არიან). ასე რომ, აქ არის პატარა მანიფესტი ნერვული მონაცემების მეცნიერებისათვის: რატომ წარმოიქმნება ის და როგორ შეიძლება ვიმოქმედოთ ამის გაკეთების შესახებ.

რატომ არის იგივე, რაც მეცნიერების ყველა დარგში, რომელმაც გამოავლინა მონაცემთა მეცნიერება: მონაცემების ოდენობა ხელიდან გამოდის. უამრავი ნეირონის ჩაწერის მეცნიერებისათვის, ამ მონაცემთა წყალდიდობას აქვს მეცნიერული დასაბუთება. ტვინი მუშაობს ნეირონებს შორის შეტყობინებების გადაცემის გზით. ამ შეტყობინებების უმეტესი ნაწილი ელექტროენერგიის პულსირების ფორმას წარმოადგენს: spikes, ჩვენ მათ ვუწოდებთ. ბევრისთვის ლოგიკურია, რომ თუ გვინდა გვესმოდეს, თუ როგორ მუშაობს ტვინი (და როდესაც ისინი არ მუშაობენ), ყველა ნეირონს შორის უნდა გადავიღოთ შეტყობინებები. და ეს ნიშნავს რაც შეიძლება მეტი ნეირონის ჩაწერას რაც შეიძლება მეტი ნეირონისგან.

ბავშვის ზებროფიშის ტვინს აქვს დაახლოებით 130,000 ნეირონი და მათ შორის მინიმუმ 1 მილიონი კავშირი; ბოცვრის ტვინს დაახლოებით ერთი მილიონი ნეირონია. თქვენ ხედავთ, თუ როგორ ამოიშლებოდა ხელიდან ეს ძალიან სწრაფად. ახლავე ჩაწერეთ სადღაც ათეულამდე რამდენიმე ასეულ ნეირონთან ერთდროულად სტანდარტული ნაკრები. ამ ზღვარზე ადამიანები ჩაწერენ რამდენიმე ათასს, რამდენიმე კი ათეულობით ადამიანი იღებს (თუმც ამ ჩანაწერებმა ნეირონის აქტივობა აღბეჭდათ, უფრო ნელა, ვიდრე ნეირონებმა, რომლებმაც თავიანთი პიკანტურები გაგზავნეს).

ჩვენ ვუწოდებთ ამ სიგიჟის სისტემებს ნეირომეცნიერებას: ნეირომეცნიერებას, ნეირონების შესწავლას; სისტემები, რომლებიც გაბედულნი არიან ერთზე მეტ ნეირონზე ჩაწერა. მონაცემები გონებამახვილურად რთულია. რაც ჩვენ გვაქვს ათობით ათასი ერთდროულად ჩაწერილი დროის სერია, თითოეული ნეირონისგან ნაყოფიერი მოვლენების ნაკადი (ნამდვილი ნაპერწკლები, ან მისი არაპირდაპირი ზომები). მათი განმარტებით, ისინი სტაციონარული არ არის, მათი სტატისტიკური მონაცემები დროთა განმავლობაში იცვლება. მათი აქტივობის სიჩქარე ვრცელდებოდა მასშტაბების მრავალ დონეზე, ბერის მსგავსი მშვიდი დაფიქრებისგან და „ბარაბნის გვირაბში დასარტყამი ბარძაყისგან“. მათი საქმიანობის ნიმუშები მერყეობს საათის მსგავსი კანონზომიერებისაგან, მუწუკების გაჩენამდე და გააფართოებამდე, მანიის პერიოდებსა და ამოწურვის პერიოდებს შორის.

ახლა დაქორწინდით იმ ცხოველის ქცევით, რომლისგანაც თქვენ ჩაწერეთ ნეირონები. ეს საქციელი არჩევანის ასობით საცდურია; ან მკლავის მოძრაობები; ან გარემოზე გავლილი მარშრუტები. ან გრძნობის ორგანოს მოძრაობა, ან კუნთების მთელი პოზა. გაიმეორეთ მრავალი ცხოველისთვის. შესაძლებელია ტვინის მრავალჯერადი რეგიონი. ზოგჯერ კი მთელი ტვინი.

საფუძველი არ გვაქვს. არ არსებობს სწორი პასუხი; არ არსებობს სასწავლო ეტიკეტები, გარდა ქცევისა. ჩვენ არ ვიცით, როგორ ახდენს ტვინი დაშიფვრას ქცევას. ასე რომ, ჩვენ შეგვიძლია გავაკეთოთ საქმე ქცევითი ეტიკეტით, მაგრამ თითქმის ყოველთვის ვიცით, რომ ეს არ არის პასუხი. ისინი უბრალოდ "პასუხის" მინიშნებები არიან.

სისტემების ნეირომეცნიერება არის მდიდარი მოედანი მათთვის, ვისაც შეუძლია ნეირომეცნიერების ცოდნაზე დაქორწინდეს მონაცემების ანალიზისთვის საჭირო ცოდნა. ნერვული მონაცემების მეცნიერება იბადება.

როგორ ხდება - ან შეიძლებოდა - გაკეთდეს? აქ არის უხეში სახელმძღვანელო. ნერვული მონაცემების მეცნიერის მოვალეობის შემსრულებელია სისტემის ნევროლოგიის მონაცემების მეცნიერული კითხვების დასმა; ვიკითხოთ: როგორ მუშაობენ ყველა ეს ნეირონი ერთად, რომ გააკეთონ თავიანთი საქმე?

დაახლოებით სამი გზა გვაქვს ამ კითხვაზე პასუხის გაცემა. ჩვენ შეგვიძლია ამ სამი გზა დავინახოთ, თუ როგორ მიმოვიძიოთ მანქანაში სწავლის პრობლემების დადგენილ კლასებს და კომპიუტერული ნეირომეცნიერებაში გამოთვლილ გამოწვევებს. დავიწყოთ იმით, თუ რაზე უნდა ვიმუშაოთ.

ჩვენ გვაქვს მონაცემები n ნეირონებისგან, რომლებიც ჩვენ დროულად შევიკრიბეთ. ჩვენ დავასხამთ ამ მატრიქსს, რომელსაც ჩვენ X –ს დავარქმევთ - იმდენი სვეტი, როგორც ნეირონები, და იმდენი სტრიქონი, რაც ჩვენ ჩაწერილი გვაქვს დროის წერტილებით (სადაც ჩვენზეა დამოკიდებული რამდენი ხანი გრძელდება „დროის წერტილი“: ჩვენ შეიძლება მოკლედ რომ ვთქვათ, და მხოლოდ თითო ჩანაწერი ჩაწერეთ spike- სთვის 1 და სხვაგვარად. 0. ან შეიძლება ჩვენ გრძელი გავხადოთ და თითოეული ჩანაწერი აღრიცხავს spikes- ის რაოდენობას ამ დასრულებული დროის განმავლობაში). ამ დროის განმავლობაში, მსოფლიოში ვითარება მოხდა - მათ შორის რას აკეთებდა სხეულიც. მოდით, ეს ყველაფერი მატრიცაში გადავცეთ, ჩვენ ვეძახით S - იმდენი სვეტს, როგორც მსოფლიოში არსებობს თვისებები, რომელზეც ჩვენ ვიზრუნებთ და იმდენი სტრიქონი, რამდენადაც ჩვენ გვაქვს ჩაწერილი იმ მახასიათებლებისთვის.

ტრადიციულად, მანქანათმცოდნე გულისხმობს მოდელის სამი კლასის მშენებლობას მსოფლიოს მდგომარეობისა და ხელმისაწვდომი მონაცემების შესახებ: გენერირებული, დისკრიმინაციული და სიმკვრივის შესახებ. როგორც უხეში სახელმძღვანელო, ეს ცხრილი აჩვენებს, თუ როგორ შეესაბამება თითოეული კლასი ფუნდამენტურ კითხვას სისტემების ნეირომეცნიერების საკითხში:

1 / სიმკვრივის მოდელები P (X): არსებობს სტრუქტურა spikes? ჟღერს ძილი. მაგრამ სინამდვილეში ეს არის ნეირომეცნიერების კვლევის დიდი ცვლილებების გასაღები, რომლის დროსაც გვსურს ვიცოდეთ რაღაცის (პრეპარატი, ქცევა, ძილი) გავლენა ტვინზე; რომელშიც გვეკითხებიან: როგორ შეიცვალა ნერვული მოქმედების სტრუქტურა?

ნეირონების თაიგულების ჩაწერით, ამაზე პასუხის გაცემა შეგვიძლია სამი გზით.

პირველი, ჩვენ შეგვიძლია რაოდენობრივი განვსაზღვროთ თითოეული ნეირონის შპიკ-მატარებელი, X- ის თითოეული სვეტის სტატისტიკის გაზომვით, როგორიცაა დალოცვის სიჩქარე. და შემდეგ იკითხეთ: რა არის მოდელი P (X) ამ სტატისტიკისთვის? ჩვენ შეგვიძლია შევადგინოთ ეს სტატისტიკა, რომ ვიპოვოთ ნეირონის "ტიპები"; ან უბრალოდ ჯდება მოდელები მათი ერთობლივი განაწილებისთვის. ნებისმიერ შემთხვევაში, ჩვენ გვაქვს მონაცემთა სტრუქტურის გარკვეული მოდელი ცალკეული ნეირონების გრანულურობის დროს.

მეორე, ჩვენ შეგვიძლია შევქმნათ მთელი მოსახლეობის საქმიანობის გენერიული მოდელები, X– ის მწკრივების გამოყენებით - ვექტორებით, მთლიანი მოსახლეობის მომენტალური და მომენტალური აქტივობებისა. ასეთი მოდელები, როგორც წესი, მიზნად ისახავს იმის გარკვევას, თუ რამდენად შეიძლება X სტრუქტურის აღდგენა მხოლოდ რამდენიმე შეზღუდვისგან, იქნება ეს განაწილება რამდენი ვექტორი აქვს რამდენი spike; ან ერთმანეთთან თანაფარდობა ნეირონებს შორის; ან მათი კომბინაციები. ეს განსაკუთრებით სასარგებლოა, თუ არსებობს რაიმე განსაკუთრებული სოუსი მოსახლეობის საქმიანობაში, თუ ეს უფრო მეტია, ვიდრე დამოუკიდებელი ან მოსაწყენი მარტივი ნეირონების ერთობლიობა.

მესამე, ჩვენ შეგვიძლია მივიღოთ პოზიცია, რომ X- ში ნერვული მოქმედება არის დაბალ განზომილებიანი სივრცის გარკვეული განზომილებიანი რეალიზაცია, სადაც განზომილებების რიცხვია D << n. როგორც წესი, ჩვენ ამას ვგულისხმობთ: X- ში ზოგიერთი ნეირონი ერთმანეთთან არის დაკავშირებული, ამიტომ ჩვენ არ გვჭირდება X- ის მთელი გამოყენება მოსახლეობის გასაგებად - ამის ნაცვლად, ჩვენ მათ უფრო მარტივი წარმოდგენა შეგვიძლია. შესაძლოა, დროის სერია პირდაპირ დავასახელოთ, ასე რომ X- ის დაშლის შედეგად შემოვლითი X_1- დან X_N- ის კომპლექტად გადაქცევა, თითოეულ მათგანს აქვს (შედარებით) ძლიერი კორელაციები მასში, და ასე შეიძლება დამოუკიდებლად მოვიქცეთ. ან შეიძლება გამოვიყენოთ განზომილების შემცირების ისეთი ტიპის მიდგომა, როგორიცაა ძირითადი კომპონენტების ანალიზი, დროის სერიების მცირე სერიის მისაღებად, რომელიც თითოეულში აღწერს ვარიაციის ერთ დომინანტურ ფორმას მოსახლეობის საქმიანობაში დროთა განმავლობაში.

ამაზე მეტს შეგვიძლია გავაკეთოთ. ზემოაღნიშნული ვარაუდობს, რომ გვინდა განზომილების შემცირება ნეირონების დაშლის მიზნით, - რომ ჩვენ ვიყენებთ შემცირებას X სვეტებზე. მაგრამ ჩვენ შეგვიძლია ისევე დავარცხვოთ დრო, X – ის მწკრივებში განზომილების შემცირება. ეს კითხვის ნიშნის ქვეშ აყენებს თუ არა დროულად განსხვავებულ მომენტებს ნერვული მოქმედების მსგავსი ნიმუშები. თუ მხოლოდ რამდენიმე მათგანი არსებობს, აშკარად ჩაწერილი ნეირონების დინამიკა ძალიან მარტივია.

ჩვენ შეგვიძლია ჩავაგდოთ დინამიური სისტემების მიდგომებიც აქ. აქ ვცდილობთ მარტივი მოდელები მოვათავსოთ X- ის ცვლილებებში დროთა განმავლობაში (ე.ი. სტრიქონიდან მეორეზე გადასვლა) და ამ მოდელებს გამოვიყენებთ X დინამიკის ტიპების გასაზომად - გამოიყენებს ტერმინებს, როგორიცაა "მოზიდვა", "სეპარატრიქსი", " saddle კვანძი ”,” pitchfork bifurcation ”და” არსენის დაშლა ”(მხოლოდ ერთი მათგანი არ არის ნამდვილი რამ). შეიძლება დამაჯერებლად ამტკიცოს დინამიური მოდელები, რომლებიც ასე შესაფერისია ყველა სიმკვრივის მოდელები P (X), რადგან ისინი აღწერენ მონაცემთა სტრუქტურას.

ჯოჯოხეთი, ჩვენ შეგვიძლია კიდევ შევეცადოთ და მოვახდინოთ ნერვული წრის მთელი დინამიური მოდელი, დიფერენციალური განტოლებები, რომლებიც აღწერს თითოეულ ნეირონს, X- მდე, ასე რომ, ჩვენი მოდელის P (X) შემდეგ ნიმუში ხდება ყოველ ჯერზე, როდესაც ჩვენ ვიმოქმედებთ მოდელს სხვადასხვა საწყისი პირობებიდან. .

ამ სიმკვრივის მოდელებით, ჩვენ შეგვიძლია მათ ცალ-ცალკე მოვათავსოთ ნერვული მოქმედება, რომელიც ჩაწერილი გვაქვს სხვადასხვა შტატების ჯგუფში (S1, S2,…, Sm) და ვუპასუხოთ კითხვებს, როგორიცაა: როგორ იცვლება ნეირონების მოსახლეობის სტრუქტურა ძილსა და იღვიძებს? ან ცხოველის განვითარების დროს? ან დავალების შესწავლის დროს (სადაც შეიძლება S1 იყოს საცდელი 1, და S2 საცდელი 2; ან S1 არის სესია 1 და S2 სესია 2; ან მისი მრავალი კომბინაცია). შეგვიძლია ასევე ვიკითხოთ: რამდენ განზომილებას ახდენს ნეირონის მოქმედება? განსხვავებულია თუ არა ზომები ქერქის სხვადასხვა რეგიონებს შორის? და უნახავს ვინმეს ჩემი გასაღებები?

2 / გენერალური მოდელები P (X | S): რა იწვევს ლაქს? ახლა ჩვენ ვსაუბრობთ. ისეთი, როგორიცაა ხაზოვანი-არაწრფივი მოდელები, ან განზოგადებული ხაზოვანი მოდელები. როგორც წესი, ეს მოდელები გამოიყენება ერთჯერადი ნეირონებისთვის, X სვეტის თითოეულ სვეტზე. მათთან ერთად ჩვენ ვგეგმავთ მოდელს, რომელიც იყენებს მსოფლიოს S- ს მდგომარეობას, როგორც შეყვანა და ახდენს ნერვული მოქმედების სერიას, რომელიც მაქსიმალურად მჭიდროდ შეესაბამება ნეირონის მოქმედებას. შემდეგ შეამოწმეთ წონის, რომელიც მიენიჭა თითოეულ თვისებას S- ს ნეირონების საქმიანობის რეპროდუცირებაში, შეგვიძლია შევიმუშავოთ ის, თუ რა გამოდის ნეირონმა.

ჩვენ შეიძლება გვსურს შევარჩიოთ მოდელი, რომელსაც გარკვეული მოქნილობა აქვს, რაც ”სამყაროს სახელმწიფოა”. ჩვენ შეგვიძლია შევიტანოთ ნეირონის საკუთარი წარსული მოქმედება, როგორც თვისება, და ვნახოთ თუ არა იგი ზრუნვა იმაზე, თუ რა გააკეთა წარსულში. ზოგიერთი ტიპის ნეირონისთვის პასუხი დიახ. ნაზარდს ბევრი რამ შეუძლია ნეირონისგან დაშორება და მას დასაძინებლად ჭირდება დასვენება, სანამ ის კვლავ წასვლას შეძლებს. ჩვენ ასევე შეგვიძლია ვიფიქროთ უფრო ფართოდ, და შევიტანოთ დანარჩენი მოსახლეობა - დანარჩენი X - როგორც ნაწილი ნაწილი მსოფლიოს S, როდესაც ნეირონი ცეცხლს ართმევს. ყოველივე ამის შემდეგ, ნეირონები ზოგჯერ ახდენენ გავლენას ერთმანეთის ცეცხლზე, ანუ მე მიბიძგებს. ასე რომ, არსებობს მცირე შანსი, რომ მხედველობითი ქერქის დროს ნეირონის პასუხი არა მხოლოდ გარე სამყაროზე მიმავალი ორიენტაციითაა განპირობებული, არამედ შეიძლება ასევე იყოს დამოკიდებული იმაზე, თუ რას აკეთებენ მასთან დამაკავშირებელი 10000 კორტიკალური ნეირონიც. ის, რაც შემდეგ ვისწავლით, არის მოსახლეობის ყველაზე გავლენიანი ნეირონები.

ჩვენ არ უნდა გამოვიყენოთ ეს გენერაციური მოდელები ცალკეულ ნეირონებზე. ჩვენ მათ თანაბრად შეგვიძლია მივმართოთ ჩვენი სიმკვრივის მოდელებზე; ჩვენ შეგვიძლია ვიკითხოთ, რას კოდის თითოეული კასეტა ან განზომილება მსოფლიოს შესახებ. ან, როგორც აქ ზოგი ადამიანი გააკეთეს, ჩვენ შეგვიძლია გამოვიყენოთ სიმკვრივის მოდელი, როგორც მსოფლიოს სახელმწიფო, და ვიკითხოთ, თუ რა მახასიათებლებს ანიჭებს ამ მოდელის ქვემო ნეირონებს.

კითხვების ტიპები, რომელთა პასუხსაც შეგვიძლია ამ გენერაციულ მოდელებთან ერთად, აშკარაა: რა მახასიათებლების კომბინაციამ საუკეთესო იწინასწარმეტყველა ნეირონის პასუხი? არსებობს ნეირონები შერჩევითი მხოლოდ ერთი რამისთვის? როგორ მოქმედებენ ნეირონები ერთმანეთზე?

3 / დისკრიმინაციული მოდელები P (S | X): რა ინფორმაციას ატარებს spikes? ეს არის მთავარი საკითხი სისტემების ნეირომეცნიერებაში, რადგან ეს არის ყველა გამოწვეული ნეირონის გამოწვევა, რომელიც ჩვენს მიერ რეგისტრირებულ პოპულაციაში მოდის - ყველა ნეირონი, რომლებიც იღებენ ნეირონებისგან ჩვენს მიერ ჩაწერილ ჩანაწერებს და ათავსებენ ჩვენს მატრიცაში. მათ უნდა იცოდნენ გარე სამყაროზე, რომელიც დაფუძნებულია მხოლოდ spikes- ზე.

აქ ჩვენ შეგვიძლია გამოვიყენოთ სტანდარტული კლასიფიკატორები, რომ რუქის შეყვანა შეტანილ შედეგებზე. ჩვენ შეგვიძლია გამოვიყენოთ X სტრიქონები, როგორც შეყვანა, თითოეული მოსახლეობის აქტივობის ამსახველი სურათი და ვცდილობთ წინასწარმეტყველოთ ერთი, რამდენიმე ან ყველა თვისება ს.-ის შესაბამის რიგებში, შესაძლოა, გარკვეული დროით შეფერხებით, ასე რომ, ჩვენ ვიყენებთ რიგის X_t პროგნოზირებს სახელმწიფო S_t-n– ს, რომელიც წარსულში იყო n ნაბიჯები, თუ ჩვენ დაინტერესებული ხართ, თუ როგორ არის მითითებული პოპულაციის კოდი, რომელიც შედის ტვინში; ან ჩვენ შეგვიძლია გამოვიყენოთ რიგი X_t, რათა განვსაზღვროთ სახელმწიფო S_t + n, რომელიც მომავალში n ნაბიჯია, თუ ჩვენ დაინტერესებული ხართ, თუ როგორ კოდებს პოპულაცია ტვინის გარკვეული ეფექტის შესახებ მსოფლიოში. საავტომობილო ქერქში აქტივობის მსგავსად, რაც ხდება, სანამ ახლა ვწერ თითოეულ ასოებს.

ასეა თუ ისე, ჩვენ ვიღებთ X (და არა ყველა, რადგან ჩვენ არ ვიცავთ) რიგ მწკრივებს და ვვარჯიშობთ კლასიფიკატორს, რომ იპოვოთ X –ის საუკეთესო შესაძლო რუქა შესაბამისობაში, შესაბამის ნაწილში S.- ს შემდეგ, ჩვენ ვამოწმებთ კლასიფიკატორს, თუ რამდენად შეუძლია მას პროგნოზირეთ დანარჩენი S– ის დანარჩენი X– სგან. თუ არაჩვეულებრივად გაუმართლათ, თქვენი X და S შეიძლება იყოს იმდენად გრძელი, რომ თქვენ შეძლოთ მათი გაყოფა მატარებელში, გამოცდაზე და გამოსაყენებლად. ბოლო შეინახეთ ჩაკეტილ ყუთში.

ჩვენ, რა თქმა უნდა, შეგვიძლია გამოვიყენოთ ისეთი ძლიერი კლასიფიკატორი, როგორიც მოგვწონს. ლოგისტიკური რეგრესიიდან, ბაიესეული მიდგომებით, 23 ფენის ნერვული ქსელის გამოყენებამდე. ეს უფრო დამოკიდებულია იმაზე, თუ რა გსურთ პასუხის გაცემიდან და ინტერპრეტაციასა და ძალას შორის კომერციული ურთიერთობაა. სხვაგან დაწერილი ჩემი ნაწერები აშკარაა, რომ ამ სავაჭრო ურთიერთობის რომელ მხარეს ვთამაშობ. მაგრამ ბედნიერი ვარ, რომ არასწორედ დადასტურდა.

ნეირონების კოდირების მოდელები გამჭრიახია, მაგრამ შეეხო ზოგიერთ ძველ და ღრმა ფილოსოფიურ კვარტალი. დისკრიმინაციული მოდელის გამოყენებით დაშიფვრის ტესტირება ვარაუდობს, რომ რაღაც ქვემო დინებაში ცდილობს S- ს დეკოდირებას ნერვული მოქმედებიდან. ამით ორი პრობლემაა. ნეირონები არ იშიფრება; ნეირონები აიღებენ spikes როგორც შეყვანის და გამომავალი საკუთარი spikes. უფრო მეტიც, ისინი ხელახლა კოდირებას ახდენენ, რომ spikes- იდან ერთმა მწვერვალმა შეიყვანა სხვა ნაწილებად: შესაძლოა, ნაკლებია ან უფრო ნელა; ალბათ უფრო, ან უფრო სწრაფად; ალბათ, სტაბილური ნაკადიდან რყევებისკენ. ასე რომ, დისკრიმინაციული მოდელები უფრო ზუსტად გვეკითხებიან, თუ რა ინფორმაციას ატარებს ჩვენი ნეირონები კოდექსი. მაგრამ თუ ამ თვალსაზრისსაც გავითვალისწინებთ, უფრო ღრმა პრობლემაა.

გამონაკლისების ძალიან მცირე რაოდენობით, არ არსებობს ისეთი რამ, როგორიცაა ”ქვესკნელი” ნეირონი. ნეირონები, რომლებიც ჩვენ X- ში ჩავწერეთ, არის რთული მავთულის ტვინის ნაწილი, გაუთავებელი მარყუჟებით სავსე; მათი გამომავალი გავლენა ახდენს საკუთარ შეყვანას. უფრო უარესიც კია, რომ X- ში ნეირონების ზოგიერთი ნაწილი ჩამოვარდნილია სხვებისგან: ზოგი მათგანი შედის უშუალოდ სხვებზე. რადგან, როგორც ზემოთ აღინიშნა, ნეირონები გავლენას ახდენენ ერთმანეთზე.

ნერვული მონაცემების მეცნიერების უხეში, ალბათ სასარგებლო, მანიფესტი. არასრულია; ეჭვგარეშეა, რომ რაღაც არასწორია (პასუხები ღია ბარათზე ჩვეულებრივი მისამართით). ზემოთ მოცემულია ლაბორატორიების ჯგუფის მუშაობის ძალიან განსხვავებული ინტერესების სინთეზის მცდელობა, მაგრამ ჩვეულებრივი მეთოდია ამ ტიპის მოდელის გამოყენება ნერვული მონაცემების დიდ ნაკრებებზე, რათა უპასუხოს ღრმა კითხვებს იმის შესახებ, თუ როგორ მუშაობს ტვინი. ბევრი მათგანი მონაცემების ლაბორატორიაა, გუნდები, რომლებიც აანალიზებენ ექსპერიმენტულ მონაცემებს, საკუთარ კითხვებზე პასუხის გასაცემად; რამდენიმე დასახელებას - ჯონათან ბალიშს; ქრისტიანი მაჩენსი; კონრად კრატოთი; კანაკა რაჯანი; ჯონ კანინგამი; ადრიენ ფელჰალი; ფილიპ ბერენს; Cian O'Donnell; ილიმინგ-პარკი; ჯაკობ მაკე; გაზპერი ტკაკიკი; ოლივერ მარელი. უმი, მე. სხვები ექსპერიმენტული ლაბორატორიაა, რომელსაც აქვს ძლიერი მეცნიერული მიდრეკილებები: ენ ჩერჩლენდი; მარკიზ საეჩლენდი; ნიკოლ რუსტი; კრიშნა შენოი; კარლოს ბროდი; ბევრს ბოდიშს ვუხდი, რომ არ დაასახელა.

არის კონფერენციები, სადაც ამგვარი ნამუშევარი მისასალმებელია, არც კი გაახალისებს. ნერვული მონაცემების მეცნიერების ჟურნალი თავის დროზე მუშაობს. რაღაც აშენებს. შემოდი, მონაცემთა მშვენიერი *.

* დიახ, მე უნდა ვახსენო მონაცემები, როგორც სინგლი, რომ ამ ხუმრობა იმუშავა. ის, რომ ამ სქოლიოსთვის ვწერ, ამის ახსნის მიზნით, გარკვეულ იდეას მოგაწვდით ნეირო მონაცემების დეტალებზე, რომელსაც მეცნიერები ელიან.

გსურთ მეტი? მოგვყევით Spike- ში

Twitter: @markdhumphries