سودمندی یک حافظه راهنمایی می کند که مغز کجا آن را ذخیره می کند | مجله کوانتا

حافظه نشان دهنده یک معمای علمی واحد نیست. این بسیاری از آنها است. عصب شناسان و روانشناسان انواع مختلفی از حافظه را که در مغز ما وجود دارند تشخیص داده اند: خاطرات اپیزودیک تجربیات گذشته، خاطرات معنایی حقایق، خاطرات کوتاه مدت و بلند مدت و غیره. اینها اغلب ویژگی های متفاوتی دارند و حتی به نظر می رسد که در قسمت های مختلف مغز قرار دارند. اما هرگز مشخص نشده است که چه ویژگی یک حافظه تعیین می کند که چگونه و چرا باید به این ترتیب مرتب شود.

اکنون، یک نظریه جدید که توسط آزمایش‌هایی با استفاده از شبکه‌های عصبی مصنوعی پشتیبانی می‌شود، پیشنهاد می‌کند که مغز ممکن است خاطرات را با ارزیابی میزان احتمال مفید بودن آنها به عنوان راهنما در آینده مرتب کند. به طور خاص، این نشان می‌دهد که بسیاری از خاطرات چیزهای قابل پیش‌بینی، از حقایق تا تجربیات مکرر مفید - مانند آنچه که به طور منظم برای صبحانه می‌خورید یا پیاده روی تا محل کارتان - در نئوکورتکس مغز ذخیره می‌شوند، جایی که می‌توانند به تعمیم‌های جهان کمک کنند. خاطراتی که کمتر مفید هستند - مانند طعم نوشیدنی منحصر به فردی که در آن مهمانی خوردید - در بانک حافظه ای به شکل اسب دریایی به نام هیپوکامپ نگهداری می شوند. تفکیک فعال خاطرات از این طریق بر اساس سودمندی و قابلیت تعمیم آنها ممکن است قابلیت اطمینان خاطرات را برای کمک به ما در جهت یابی موقعیت های جدید بهینه کند.

نویسندگان نظریه جدید - دانشمندان علوم اعصاب وینان سان و جیمز فیتزجرالد از پردیس تحقیقاتی جانلیا موسسه پزشکی هاوارد هیوز، اندرو ساکس دانشگاه کالج لندن و همکارانشان - آن را در یک مقاله اخیر in طبیعت اعصاب. این ایده ثابت شده که مغز دارای دو سیستم یادگیری مکمل و مرتبط است را به روز می کند و گسترش می دهد: هیپوکامپ که به سرعت اطلاعات جدید را رمزگذاری می کند و نئوکورتکس که به تدریج آن ها را برای ذخیره سازی طولانی مدت یکپارچه می کند.

جیمز مک کللندیک عصب شناس شناختی در دانشگاه استنفورد که ایده سیستم های یادگیری مکمل در حافظه را مطرح کرد اما بخشی از مطالعه جدید نبود، خاطرنشان کرد که "به جنبه هایی از تعمیم می پردازد" که گروه خود در هنگام ارائه نظریه در مورد آنها فکر نکرده بودند. اواسط دهه 1990

دانشمندان دریافته‌اند که شکل‌گیری حافظه حداقل از اوایل دهه 1950 یک فرآیند چند مرحله‌ای است که بخشی از مطالعات آن‌ها بر روی بیماری به نام هنری مولایسون است - که برای دهه‌ها در ادبیات علمی تنها به عنوان HM شناخته می‌شود، زیرا او از تشنج‌های غیرقابل کنترلی رنج می‌برد که از هیپوکامپ او سرچشمه می‌گرفت. جراحان با برداشتن بیشتر ساختار مغز او را درمان کردند. پس از آن، بیمار از بسیاری جهات کاملاً عادی به نظر می رسید: دایره واژگان او دست نخورده بود. او خاطرات کودکی خود را حفظ کرد و جزئیات دیگری از زندگی خود را از قبل از عمل جراحی به یاد آورد. با این حال، او همیشه مراقبت پرستار از او را فراموش می کرد. در طول دهه ای که از او مراقبت می کرد، باید هر روز صبح خود را از نو معرفی می کرد. او توانایی خلق خاطرات بلندمدت جدید را کاملاً از دست داده بود.

علائم مولایسون به دانشمندان کمک کرد تا کشف کنند که خاطرات جدید ابتدا در هیپوکامپ شکل گرفته و سپس به تدریج به نئوکورتکس منتقل می شوند. برای مدتی، به طور گسترده تصور می شد که این اتفاق برای همه خاطرات ماندگار رخ داده است. با این حال، زمانی که محققان شروع به دیدن یک تعداد رو به رشد از نمونه‌هایی از خاطراتی که در درازمدت به هیپوکامپ وابسته بودند، مشخص شد که چیز دیگری در حال وقوع است.

برای درک دلیل این ناهنجاری، نویسندگان مقاله جدید به شبکه های عصبی مصنوعی روی آوردند، زیرا عملکرد میلیون ها نورون در هم تنیده در مغز به طرز غیرقابل تصوری پیچیده است. ساکس گفت که این شبکه‌ها «یک ایده‌آل‌سازی تقریبی از نورون‌های بیولوژیکی» هستند، اما بسیار ساده‌تر از شبکه‌های واقعی هستند. مانند نورون‌های زنده، آنها دارای لایه‌هایی از گره‌ها هستند که داده‌ها را دریافت، پردازش می‌کنند و سپس خروجی‌های وزنی را به لایه‌های دیگر شبکه ارائه می‌کنند. همانطور که نورون ها از طریق سیناپس های خود بر یکدیگر تأثیر می گذارند، گره ها در شبکه های عصبی مصنوعی سطوح فعالیت خود را بر اساس ورودی های گره های دیگر تنظیم می کنند.

این تیم سه شبکه عصبی با عملکردهای مختلف را برای ایجاد یک چارچوب محاسباتی که آنها را مدل معلم-نوت بوک-دانش آموز نامیدند، به هم مرتبط کردند. شبکه معلم محیطی را نشان می دهد که یک موجود زنده ممکن است خود را در آن بیابد. ورودی های تجربه را ارائه کرد. شبکه نوت بوک هیپوکامپ را نشان می داد و به سرعت تمام جزئیات هر تجربه ای را که معلم ارائه می کرد رمزگذاری می کرد. شبکه دانش آموزی با مراجعه به آنچه در دفترچه ثبت شده بود، الگوها را از معلم آموزش دید. فیتزجرالد گفت: «هدف مدل دانشجویی یافتن نورون‌ها - گره‌ها - و یادگیری ارتباطات [توضیح] است که چگونه می‌توانند الگوی فعالیت خود را بازسازی کنند.

تکرار مکرر خاطرات از شبکه نوت بوک، شبکه دانش آموزی را از طریق تصحیح خطا به یک الگوی کلی سوق داد. اما محققان همچنین متوجه استثنایی از این قاعده شدند: اگر دانش‌آموز با خاطرات غیرقابل پیش‌بینی بیش از حد آموزش دیده باشد - سیگنال‌های پر سر و صدایی که خیلی از بقیه منحرف می‌شوند - توانایی دانش‌آموز برای یادگیری الگوی تعمیم‌یافته را کاهش می‌دهد.

سان گفت: از نقطه نظر منطقی، "این بسیار منطقی است." تصور کنید بسته‌هایی را در خانه‌تان دریافت می‌کنید، او توضیح داد: اگر بسته حاوی چیزهای مفیدی برای آینده باشد، «مانند لیوان‌ها و ظروف قهوه»، منطقی به نظر می‌رسد که آن را به خانه خود بیاورید و برای همیشه در آنجا نگه دارید. اما اگر بسته حاوی لباس مرد عنکبوتی برای مهمانی هالووین یا بروشوری برای فروش باشد، دیگر نیازی به شلوغ کردن خانه با آن نیست. این اقلام را می توان جداگانه ذخیره کرد یا دور انداخت.

این مطالعه همگرایی جالبی را بین سیستم‌های مورد استفاده در هوش مصنوعی و سیستم‌های بکار رفته در مدل‌سازی مغز ارائه می‌کند. ساکس گفت: «این نمونه‌ای است که در آن «نظریه آن سیستم‌های مصنوعی ایده‌های مفهومی جدیدی برای فکر کردن به خاطرات در مغز ایجاد کرد».

برای مثال، تشابهاتی با نحوه عملکرد سیستم‌های تشخیص چهره رایانه‌ای وجود دارد. آنها ممکن است با ترغیب کاربران به آپلود تصاویر با کیفیت بالا از خود از زوایای مختلف شروع کنند. اتصالات درون شبکه عصبی می تواند یک مفهوم کلی از اینکه چهره از زوایای مختلف و با عبارات مختلف چگونه به نظر می رسد را با هم ترکیب کند. فیتزجرالد گفت، اما اگر اتفاقی بیفتد که عکسی «شامل چهره دوستتان در آن» آپلود کنید، سیستم قادر به شناسایی نقشه چهره قابل پیش بینی بین این دو نیست. به تعمیم لطمه می زند و سیستم را در تشخیص چهره عادی کمتر می کند.

این تصاویر نورون های ورودی خاصی را فعال می کنند و سپس فعالیت در شبکه جریان می یابد و وزن اتصال را تنظیم می کند. با تصاویر بیشتر، مدل وزن اتصال بین گره ها را بیشتر تنظیم می کند تا خطاهای خروجی را به حداقل برساند.

اما صرفاً به این دلیل که یک تجربه غیرعادی است و در یک تعمیم نمی گنجد، به این معنی نیست که باید کنار گذاشته شود و فراموش شود. برعکس، یادآوری تجربیات استثنایی می تواند بسیار مهم باشد. به نظر می‌رسد به همین دلیل است که مغز خاطرات خود را در دسته‌های مختلف دسته‌بندی می‌کند که به طور جداگانه ذخیره می‌شوند، با نئوکورتکس برای تعمیم‌های قابل اعتماد و هیپوکامپ برای استثناها استفاده می‌شود.

مک کللند گفت: این نوع تحقیقات آگاهی را در مورد "خطاپذیر بودن حافظه انسان" افزایش می دهد. حافظه منبع محدودی است و زیست شناسی برای استفاده بهینه از منابع محدود مجبور به مصالحه شده است. حتی هیپوکامپ دارای رکورد کاملی از تجربیات نیست. هر بار که یک تجربه یادآوری می‌شود، تغییراتی در وزن اتصال شبکه ایجاد می‌شود که باعث می‌شود عناصر حافظه میانگین‌گیری بیشتری داشته باشند. او گفت که این پرسش‌ها را در مورد شرایطی ایجاد می‌کند که تحت آن «شهادت شاهدان عینی [می‌توان] در برابر سوگیری و نفوذ در برابر حملات مکرر پرسش‌ها محافظت شود».

این مدل همچنین ممکن است بینش هایی را در مورد سؤالات اساسی تر ارائه دهد. "چگونه دانش قابل اعتماد ایجاد کنیم و تصمیمات آگاهانه بگیریم؟" گفت جیمز آنتونی، یک عصب شناس در دانشگاه ایالتی پلی تکنیک کالیفرنیا که در این مطالعه شرکت نداشت. این نشان می‌دهد که ارزیابی حافظه‌ها برای پیش‌بینی‌های قابل اعتماد اهمیت دارد - بسیاری از داده‌های پر سر و صدا یا اطلاعات غیرقابل اعتماد ممکن است برای آموزش انسان‌ها به همان اندازه که برای آموزش مدل‌های هوش مصنوعی نامناسب است، نامناسب باشند.