stub Судлаачид хиймэл оюун ухааны системийг шинэ төрлийн "тархины эсүүд"-ээр сайжруулахыг зорьж байна - Unite.AI
бидэнтэй хамт холбоно

Хиймэл оюун

Судлаачид хиймэл оюун ухааны системийг шинэ төрлийн "тархины эсүүд"-ээр сайжруулахыг зорьж байна.

mm

Нийтэлсэн

 on

MIT-д суурилсан судлаачдын баг мэдрэлийн сүлжээг тархины бусад төрлийн эсүүд дээр суурилсан бүтэцтэй хослуулах замаар гүйцэтгэлийг сайжруулахыг зорьж байна. Судалгааны баг астроцитууд дээр суурилсан бүтцийг мэдрэлийн сүлжээнд нэгтгэж, мэдрэлийн сүлжээнд тэдний дохиог цаг хугацааны хувьд хэрхэн зохицуулдгийг өөрчлөх боломжийг олгох зорилготой юм.

Гүн мэдрэлийн сүлжээг хүний ​​тархины мэдрэлийн сүлжээнээс санаа авдаг. Бататгах сургалтын алгоритмууд нь цаг хугацааны явцад алдаа, амжилтаасаа суралцаж, шатар, явах зэрэг нарийн төвөгтэй сорилтуудыг даван туулах боломжийг олгодог. Гэсэн хэдий ч гүн мэдрэлийн сүлжээ нь хүмүүсийн шийдвэрлэх нийтлэг асуудалтай тулгарах үед хүндрэлтэй байдаг. Одоогийн домэйн эсвэл орчинд олж аваагүй ерөнхий мэдлэг шаарддаг аливаа нөхцөл байдал нь гүн мэдрэлийн сүлжээнүүдийг шийдвэрлэхэд хэцүү байдаг.

MIT-ийн Picower хүрээлэнгийн мэдээлснээр, судалгааны баг мэдрэлийн сүлжээнд астроцит эсүүд дээр суурилсан бүтцийг нэмснээр гүнзгий мэдрэлийн сүлжээг илүү бат бөх, олон талт, найдвартай болгохыг зорьж байна.

Массачусетсийн Технологийн Технологийн Технологийн Технологийн Ньютон профессор Мриганак Сур тайлбарласнаар нейронуудад онцгой ач холбогдол өгөх нь тархинд чухал үүрэг гүйцэтгэдэг тархины бусад төрлийн эсүүдийг үл тоомсорлоход хүргэсэн. Сур тайлбарлав: Яг одоо орчин үеийн гүн мэдрэлийн сүлжээ хүртэл дүрэм/контекст өөрчлөгдөөгүй эсвэл цаг хугацаа хамааралгүй орчинд хүчин зүйлсийг авч үзэх, суралцахад хэцүү байж болно. Ийм нөхцөлд мэдрэлийн сүлжээ нь цаг хугацааны явцад амжилттай стратеги баримтлах, судлах/ашиглах солилцоог тэнцвэржүүлэх, сурсан зүйлээ өөр нөхцөл байдалд ижил төстэй ажлуудад хэрэгжүүлэхэд бэрхшээлтэй байдаг.

Сурын хэлснээр, сүүлийн үеийн нотолгоо нь астроцитууд нь мэдрэлийн эсүүдтэй зэрэгцэн ажилладаг зэрэгцээ сүлжээний үүргийг гүйцэтгэх чадварынхаа ачаар тархинд дээрх ажлуудыг гүйцэтгэхэд чухал үүрэг гүйцэтгэдэг болохыг харуулж байна. Мэдрэлийн сүлжээнд астроцитуудыг нэвтрүүлэх нь хиймэл оюун ухаанд удаан хугацааны туршид цуглуулсан мэдээллийг нэгтгэх, ижил төстэй нөхцөл байдлыг таних, сурсан чадвараа өөрчлөх, мэдрэлийн эсүүдийн хоорондох синаптик холболтыг модуляцлах боломжийг олгоно. Астроцитууд нь химийн нейромодулятороор дамждаг нөхцөл байдлыг судлах, стриатум дахь эсүүдэд туслах зорилгоор тархины урд хэсгийн мэдрэлийн эсүүдийг чиглүүлдэг.

Сурын хэлснээр, сүүлийн үеийн нотолгоонууд нь астроцитууд нь нейронуудтай зэрэгцэн ажилладаг зэрэгцээ сүлжээний үүргийг гүйцэтгэх чадварынхаа ачаар тархинд дээрх ажлуудыг гүйцэтгэхэд чухал үүрэг гүйцэтгэдэг болохыг харуулж байна. Мэдрэлийн сүлжээнд астроцитуудыг нэвтрүүлэх нь хиймэл оюун ухаанд удаан хугацааны туршид цуглуулсан мэдээллийг нэгтгэх, ижил төстэй нөхцөл байдлыг таних, сурсан чадварыг дахин ашиглах, нейронуудын хоорондох синаптик холболтыг өөрчлөх боломжийг олгоно. Астроцитууд нь химийн нейромодулятороор дамждаг нөхцөл байдлыг судлах, стриатум дахь эсүүдэд туслахын тулд тархины урд хэсгийн мэдрэлийн эсүүдийг чиглүүлдэг.

Судалгааны баг нь астроцитууд гүн мэдрэлийн сүлжээг хэрхэн нэмэгдүүлэх боломжтойг янз бүрийн мэргэжилтнүүдийн хийсэн янз бүрийн туршилтаар судлах болно. Туршилтын үр дүнг судалгааны багийн онолыг боловсронгуй болгоход ашиглана. Эрдэмтэд хулгана болон хүний ​​аль алинд нь хийсэн энгийн туршилтаас мэдээлэл цуглуулж, тархины бүс, астроцит, нейромодуляторууд гүйцэтгэлд хэрхэн нөлөөлж байгааг хянах болно.

Эцэст нь Альфонсо Араке, Сур нар хулганыг ажиглаж, сурч байхдаа астроцитууд хэрхэн ажилладагийг харах болно. Тэд мөн астроцитуудыг удирдаж, энэ нь бэхжүүлэх сургалтын үйл явцад хэрхэн нөлөөлж байгааг харах болно.

Тайлбарласны дагуу буцалтгүй тусламжийн баг нь:

"Бидний гол таамаглал бол астроцитуудын мэдрэлийн эсүүд болон нейромодуляторуудтай харилцан үйлчлэлцэх нь тархийг байгалийн жамаар урамшуулах сургалт явуулах, хамгийн сүүлийн үеийн бэхжүүлэх сургалтын (RL) системтэй холбоотой олон бэрхшээлийг даван туулах боломжийг олгодог тооцооллын ур чадварын эх үүсвэр юм."