شبکه‌های عصبی مصنوعی معمولاً توسط مهندسان شکل می‌گیرند: طراحان تصمیم می‌گیرند که چگونه با یادگیری شبکه از داده‌ها و بازخورد، نقاط قوت اتصال تغییر کند. یک مطالعه جدید از MIT استدلال می کند که این رویکرد طراح محور، هر چند قدرتمند، ممکن است اطلاعات کمی در مورد چگونگی یادگیری مغز به ما بدهد - و جایگزینی را نشان می دهد که در آن شبکه ها خود را سازماندهی می کنند.

در مقاله ای که در 9 اکتبر در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شد، دانشمندان موسسه تحقیقات مغز مک گاورن MIT و مرکز علوم اعصاب محاسباتی یکپارچه K. Lisa Yang (ICoN) نشان دادند که یک شبکه عصبی مصنوعی می تواند ماشین یادگیری خود را بسازد. با شروع از اتصالات تصادفی و پیروی از قوانین محلی ساده در مورد چگونگی و زمان تغییر اتصالات، شبکه خود را به یک سیستم پردازش اطلاعات موثر تغییر شکل داد. For more context on this story, see our ongoing breaking AI news.

چرا معقول بودن بیولوژیکی مهم است

Qianli Liao، یکی از همکاران فوق‌دکتری مرکز ICoN K. Lisa Yang در آزمایشگاه اساتید MIT Tomaso Poggio و Mark Harnett و اولین نویسنده مقاله در کنار لیزو زیلو، دانشجوی فارغ‌التحصیل دانشگاه MIT، می‌گوید: «فناوری فعلی هوش مصنوعی بسیار خوب کار می‌کند، اما لزوماً از الگوریتم یادگیری که توسط مغز استفاده می‌شود، استفاده نمی‌کند.

این تمایز برای عصب‌شناسانی که می‌خواهند از مدل‌های هوش مصنوعی به عنوان پنجره‌ای به مغز استفاده کنند، اهمیت دارد. یادگیری ماشینی مدرن متکی به انتشار معکوس است، الگوریتمی که اکثر دانشمندان علوم اعصاب وجود آن را در مدارهای عصبی بیولوژیکی بعید می دانند. لیائو گفت: «مغز طراح یا معمار خارجی ندارد. "مغز باید خود را سازماندهی کند. و ما باید بدانیم که چگونه قوانین ساده ای قرار است مغز را سازماندهی کند."

بحث اصلی این تیم این است که ارزش یک شبکه به عنوان یک مدل از مغز باید بر اساس میزان سازماندهی آن - نه فقط اتصالاتش، بلکه ماشینی که این ارتباطات را تنظیم می کند - قضاوت شود.

چگونه شبکه خودسازماندهی کار می کند

محققان شبکه‌هایی ساختند که ساختار آن‌ها به صورت لایه‌های متعددی از واحدهای نورون‌مانند به‌طور تصادفی بهم پیوسته آغاز می‌شود. در هر لایه، هر واحد توسط همان قوانین ساده برای نحوه تنظیم اتصالات کنترل می شود. لیائو توضیح داد: "آنها فقط با استفاده از این قانون با یکدیگر تعامل می کنند و نوعی رفتار را توسعه می دهند."

این قواعد همان گونه است که دانشمندان علوم اعصاب معتقدند مدارهای مغز را در حین یادگیری دوباره سیم کشی می کنند - از جمله این اصل کلاسیک که "نورون هایی که با هم شلیک می کنند به هم متصل می شوند"، به این معنی که فعال سازی همزمان ارتباط بین دو نورون را تقویت می کند.

همانطور که شبکه یاد گرفت، موتیف های خود مونتاژ شده طبق این قوانین ساده ظاهر شدند و سپس به عنوان بلوک های ساختمانی برای مدارهای عملکردی عمل کردند. آن موتیف‌ها با استفاده از یک استراتژی بهینه‌سازی شبیه نزول گرادیان - فرآیند تعدیل مبتنی بر خطا که در اکثر یادگیری‌های ماشینی مدرن ساخته شده است، خود را سازمان‌دهی مجدد کردند، اما از دینامیک محلی خود شبکه به‌جای یک الگوریتم تحمیلی خارجی ناشی می‌شوند.

عملکرد قابل مقایسه با شبکه های استاندارد

آزمون مهم این بود که آیا این سیستم خودسازمان‌یافته واقعاً می‌تواند یاد بگیرد. این می تواند: این تیم نشان داد که یک شبکه خودسازماندهی که توسط این قوانین محلی اداره می شود، یاد گرفته است که الگوها را تشخیص دهد و تصاویر را طبقه بندی کند، و در سطحی مشابه با شبکه های طراحی شده مرسوم که از طریق انتشار پس زمینه آموزش دیده اند، عمل می کند.

نویسنده ارشد، توماسو پوجیو، نتیجه را به عنوان یک پل بالقوه بین دو میدانی که مدت‌هاست مکانیسم‌های مشابهی را از جهت‌های مخالف دنبال می‌کردند، قاب‌بندی کرد. او خاطرنشان کرد: اگر نقوش سیناپسی که این تیم پیشنهاد می کند همان چیزی باشد که مغز برای انجام کارهایی که پس انتشار برای شبکه های مصنوعی انجام می دهد، استفاده می کند، محققان "ارتباط قوی در سطح مکانیسم های اساسی بین شبکه های مصنوعی و طبیعی - بین ماشین ها و مغزها" خواهند داشت.

از رابط های مغز و کامپیوتر تا هوش مصنوعی بهتر

مفاهیم در هر دو جهت است. برای علوم اعصاب، درک قوانین ساده ای که مدارها توسط آنها خود سازماندهی می شوند، می تواند چگونگی کارکرد یادگیری و چگونگی شکست آن را روشن کند. لیائو به رابط‌های مغز و کامپیوتر اشاره می‌کند که هدف آن بازگرداندن ارتباط برای افرادی است که توانایی‌های زبانی خود را از دست داده‌اند یا به بیماران فلج اجازه می‌دهند اندام‌های مصنوعی را کنترل کنند، به عنوان زمینه‌ای که دانستن این قوانین ضروری است. او گفت: «هیچ‌کدام از این‌ها نمی‌توانند بدون دانستن قوانین پشت برهمکنش‌های نورون و نورون کار کنند. این تنها با طراحی مداری که بسیار خوب کار می کند، قابل دستیابی نیست. همین دانش می‌تواند به درمان‌هایی برای شرایطی کمک کند که در آن قوانین یادگیری به دلیل پیری یا بیماری مختل می‌شوند.

برای یادگیری ماشین، یافته‌ها یک فضای طراحی ناشناخته را نشان می‌دهند. لیائو هشدار می دهد که یک شبکه خودسازمانده لزوماً روشی را که مغز یاد می گیرد نمی آموزد - اما او سازماندهی خود را به عنوان یک نقطه شروع حیاتی در نظر می گیرد. وی گفت: خود سازماندهی اولین چارچوب سطح بالا است. وقتی با خودسازماندهی به عنوان معیار خوب باشیم، می‌توانیم در مورد چیز بعدی صحبت کنیم.» هدف اصلی این گروه درک مغز است، اما این دانش در نهایت می‌تواند به مهندسان کمک کند تا شبکه‌هایی بسازند که عملکرد بهتری داشته باشند یا به روش‌هایی شبیه به انسان رفتار کنند.

همچنین یک سوال باز در مورد granularity وجود دارد. قوانینی که پیوندهای عصبی را همانطور که حیوان یاد می گیرد، تغییر شکل می دهد، ممکن است در مناطق مختلف مغز متفاوت باشد، و ممکن است با بالغ شدن مغز تغییر کند - احتمالی که محققان می گویند دانشمندان علوم اعصاب باید قبل از تطبیق مدل های ساده با مدارهای بیولوژیکی خاص، نقشه برداری کنند. این نقشه‌برداری به نوبه خود می‌تواند نشان دهد که کجا و چگونه ماشین‌های یادگیری در اثر پیری یا بیماری مختل می‌شوند و راهبردهای پیشگیری و همچنین درمان‌ها را اطلاع‌رسانی می‌کند.

این مطالعه که توسط موسسه تحقیقات مغز مک گاورن و مرکز نمادهای K. Lisa Yang انجام شده است، توسط MIT News در 13 اکتبر 2026 پوشش داده شد.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →