با مطالعه یک شبکه عصبی مصنوعی، محققان در ایالات متحده ممکن است به درک بهتری از چگونگی و چرایی محو شدن خاطرات ما در طول زمان دست یافته باشند. به رهبری اولیس پریرا-اوبیلینوویچ در دانشگاه نیویورک، تیم شواهدی یافته است که نشان میدهد الگوهای عصبی پایدار و تکرار شونده مرتبط با خاطرات جدیدتر در طول زمان به الگوهای آشفتهتری تبدیل میشوند و در نهایت به نویز تصادفی محو میشوند. این می تواند مکانیزمی باشد که توسط مغز ما برای پاک کردن فضا برای خاطرات جدید استفاده می شود.
در برخی از مدلهای مغز، خاطرات در الگوهای تکراری تبادل اطلاعات به نام «شبکههای جذبکننده» ذخیره میشوند. اینها درون شبکههایی از گرههای به هم پیوسته شکل میگیرند که برای نشان دادن نورونهای مغز ما استفاده میشوند.
این گره ها با انتشار سیگنال هایی با نرخ شلیک خاص، اطلاعات را منتقل می کنند. گره هایی که سیگنال ها را دریافت می کنند، سیگنال های خود را تولید می کنند و در نتیجه اطلاعات را با همسایگان خود رد و بدل می کنند. نقاط قوت این مبادلات با درجه همگام سازی بین جفت گره ها وزن می شود.
الگوهای پایدار
شبکه های جذب کننده به عنوان یک ورودی خارجی به یک شبکه عصبی اعمال می شود که نرخ شلیک اولیه را به هر یک از گره های آن اختصاص می دهد. این فرکانسها زمانی که وزنهای بین جفتهای مختلف گرهها دوباره تنظیم میشوند، تکامل مییابند و در نهایت به الگوهای پایدار و تکراری تبدیل میشوند.
برای بازیابی یک حافظه، محققان می توانند یک نشانه خارجی مشابه ورودی اصلی را اعمال کنند که شبکه عصبی را به شبکه جذب کننده مربوطه می برد. چندین خاطره را می توان در یک شبکه عصبی منفرد چاپ کرد، که به طور طبیعی بین شبکه های جذب کننده پایدار در طول زمان سوئیچ می کند - تا زمانی که یک نشانه خارجی ارائه شود.
با این حال، این سیستم ها محدودیت های خود را دارند. اگر تعداد زیادی از شبکه های جذب کننده در یک شبکه عصبی ذخیره شوند، ممکن است ناگهان برای بازیابی هر یک از آنها بسیار نویز شود و تمام خاطرات آن به یکباره فراموش شود.
از دست دادن خاطرات
برای جلوگیری از این اتفاق، تیم Pereira-Obilinovic پیشنهاد میکند که مغز ما باید مکانیزمی برای از دست دادن خاطرات در طول زمان ایجاد کرده باشد. برای آزمایش این نظریه، سه گانه، که شامل جاناتان الجادف در دانشگاه شیکاگو، و نیکلاس برونل در دانشگاه دوک، شبکههای عصبی شبیهسازی شدهای که در آن وزنهای بین گرههای متصل در یک شبکه جذبکننده به تدریج با ثبت خاطرات جدید کاهش مییابد.
شبکه تمام نوری نورون ها و سیناپس های مغز را تقلید می کند
آنها دریافتند که این باعث میشود شبکههای جذاب قدیمیتر به مرور زمان به حالتهای آشفتهتر تبدیل شوند. این شبکه ها دارای الگوهای نوسان سریع تری بودند. این الگوهای سیگنال های شلیک هرگز به طور کامل تکرار نمی شوند و می توانند با شبکه های جذب کننده جدیدتر و پایدارتر همزیستی بهتری داشته باشند. در نهایت، این تصادفی فزاینده باعث می شود که شبکه های جذب کننده قدیمی به نویز تصادفی محو شوند و حافظه ای که حمل می کنند فراموش شود.
در مجموع، محققان امیدوارند که نظریه آنها بتواند به توضیح اینکه چگونه ذهن ما قادر است دائماً اطلاعات جدید را به قیمت از دست دادن خاطرات قدیمی تر دریافت کند، کمک کند. بینش آنها می تواند به متخصص مغز و اعصاب کمک کند تا بفهمد مغز ما چگونه خاطرات را ذخیره و بازیابی می کند و چرا آنها در نهایت با گذشت زمان محو می شوند.
تحقیق در شرح داده شده است بررسی فیزیکی X.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://physicsworld.com/a/chaos-plays-a-role-in-how-memories-are-forgotten-simulations-suggest/
- :است
- a
- قادر
- AI
- معرفی
- و
- اعمال می شود
- درخواست
- هستند
- مصنوعی
- AS
- مرتبط است
- At
- BE
- شدن
- بهتر
- میان
- مغز
- by
- نام
- CAN
- حمل
- ایجاد می شود
- علل
- هرج و مرج
- شیکاگو
- واضح
- متصل
- به طور مداوم
- میتوانست
- درجه
- شرح داده شده
- مختلف
- دوک
- دانشگاه دوک
- هر
- در نهایت
- مدرک
- تکامل یابد
- تکامل
- تبادل
- مبادلات
- مبادله
- توضیح دهید
- خارجی
- محو شدن
- سریعتر
- ویژه
- تیر
- برای
- فرم
- یافت
- از جانب
- تولید می کنند
- GitHub
- بتدریج
- اتفاق می افتد
- آیا
- کمک
- امید
- چگونه
- اما
- HTTPS
- انسان
- اندیشه
- تصویر
- in
- مشمول
- افزایش
- اطلاعات
- اول
- ورودی
- بینش
- به هم پیوسته
- موضوع
- IT
- ITS
- JPG
- ضربات
- رهبری
- محدودیت
- شکست
- ساخت
- بسیاری
- حداکثر عرض
- مکانیزم
- خاطرات
- حافظه
- ذهن
- مدل
- بیش
- چندگانه
- شبکه
- شبکه
- شبکه های عصبی
- شبکه های عصبی
- نورون ها
- جدید
- نیویورک
- گره
- سر و صدا
- of
- on
- اصلی
- خود
- جفت
- الگوهای
- افلاطون
- هوش داده افلاطون
- PlatoData
- جلوگیری از
- قیمت
- ارائه
- تصادفی
- تصادفی بودن
- نرخ
- نرخ
- گرفتن
- مربوط
- تکرار
- نشان دادن
- تحقیق
- محققان
- این فایل نقد می نویسید:
- نقش
- همان
- واریز
- تغییر
- سیگنال
- مشابه
- تنها
- برخی از
- فضا
- خاص
- پایدار
- ایالات
- opbevare
- ذخیره شده
- نقاط قوت
- در حال مطالعه
- هماهنگ سازی
- سیستم های
- گرفتن
- تیم
- آزمون
- که
- La
- شان
- آنها
- خودشان
- در نتیجه
- اینها
- کوچک
- زمان
- به
- هم
- دگرگون کردن
- درست
- در نهایت
- درک
- درک می کند
- دانشگاه
- دانشگاه شیکاگو
- us
- مسیر..
- که
- اراده
- با
- در داخل
- زفیرنت