Die Studie hebt die uralte Theorie des Gehirnlernens auf
Jahrzehntelang dachten Wissenschaftler, dass das Lernen in Synapsen oder an den zahlreichen Verbindungen zwischen Gehirnzellen stattfindet. Aber jetzt schlägt eine neue Studie vor, dass das Lernen in einigen Dendriten stattfindet, den Zweigen, die Eingaben in die Gehirnzelle oder das Neuron liefern.
In einem Artikel, der jetzt in der Zeitschrift veröffentlicht wird Wissenschaftliche BerichteDie Autoren beschreiben, wie sie zu diesem Schluss kamen, nachdem sie Computermodelle von Neuronen und Zellkulturen untersucht hatten.
In dem riesigen neuronalen Netzwerk des Gehirns verhalten sich Neuronen wie winzige Mikrochips, die Eingaben über ihre Dendriten aufnehmen und - wenn bestimmte Bedingungen erreicht sind - Ausgaben mit ihren Axonen erzeugen.
Axone wiederum sind über Verbindungen, die als Synapsen bezeichnet werden, mit den Dendriten anderer Neuronen verbunden. Es gibt viel mehr Synapsen pro Neuron als Dendriten.
Ein wichtiges Ergebnis der neuen Forschung ist, dass die Lernparameter für jedes Neuron viel geringer sind als bisher angenommen, da vorgeschlagen wird, dass das Lernen in Dendriten und nicht in Synapsen stattfindet.
"In diesem neuen dendritischen Lernprozess", bemerkt der leitende Studienautor Prof. Ido Kanter vom interdisziplinären Gehirnforschungszentrum Gonda an der Bar-Ilan-Universität in Israel, "gibt es einige adaptive Parameter pro Neuron im Vergleich zu Tausenden von winzigen und sensible im synaptischen Lernszenario. “
Lernen geschieht schneller als wir dachten
Ein weiteres wichtiges Ergebnis der neuen Studie ist, dass der Lernprozess im neuen dendritischen Modell viel schneller abläuft als im traditionellen synaptischen Modell.
Die Ergebnisse können wichtige Auswirkungen auf die Behandlung von Hirnstörungen und das Design von Computeranwendungen wie „Deep Learning-Algorithmen“ und künstlicher Intelligenz haben, die auf der Nachahmung der Funktionsweise des Gehirns beruhen.
Die Forscher gehen davon aus, dass ihre Studie im letzteren Fall die Tür für das Design fortschrittlicherer Funktionen und viel schnellerer Verarbeitungsgeschwindigkeiten öffnet.
Das traditionelle synaptische Modell des Lernens basiert auf der Pionierarbeit von Donald Hebb, die 1949 in dem Buch veröffentlicht wurde Die Organisation des Verhaltens.
Dieses Modell, das Prof. Kanter und seine Kollegen als „Lernen durch Verknüpfungen“ bezeichnen, schlägt vor, dass die „Lernparameter“, die sich während des Lernprozesses ändern, die Anzahl der Synapsen oder Verknüpfungen pro Neuron widerspiegeln, die die Recheneinheiten darstellen im neuronalen Netz.
"Lernen durch Knoten"
In ihrem neuen Modell - das sie als "Lernen durch Knoten" bezeichnen - schlagen die Forscher vor, dass die Lernparameter nicht die Anzahl der Synapsen widerspiegeln, von denen es viele pro Neuron gibt, sondern die Anzahl der Dendriten oder Knoten, von denen es dort gibt sind nur wenige pro Neuron.
Daher erklären sie "in einem Netzwerk verbindender Neuronen", dass die Anzahl der Lernparameter pro Neuron im synaptischen Modell "signifikant größer" ist als die Anzahl im dendritischen Modell.
Der Hauptzweck ihrer Studie war es, die „kooperativen dynamischen Eigenschaften zwischen synaptischen (Link) und dendritischen (Knoten) Lernszenarien“ zu vergleichen.
Die Autoren der Studie kommen zu dem Schluss, dass ihre Ergebnisse „stark darauf hinweisen, dass in den neuronalen Dendriten ein schnellerer und verbesserter Lernprozess stattfindet, ähnlich wie dies derzeit den Synapsen zugeschrieben wird“.
Schwache Synapsen spielen beim Lernen eine Schlüsselrolle
Ein weiteres wichtiges Ergebnis der Studie ist, dass schwache Synapsen, die den größten Teil des Gehirns ausmachen und von denen angenommen wurde, dass sie beim Lernen eine unbedeutende Rolle spielen, tatsächlich sehr wichtig sind.
Die Autoren stellen fest, dass "die Dynamik intuitiv hauptsächlich von den schwachen Gliedern bestimmt wird".
Es scheint, dass im dendritischen Modell die schwachen Synapsen dazu führen, dass die Lernparameter schwingen, anstatt sich wie im synaptischen Modell zu „unrealistischen festen Extremen“ zu bewegen.
Prof. Kanter fasst die Ergebnisse zusammen, indem er Vergleiche anstellt, wie wir die Luftqualität messen sollten.
"Ist es sinnvoll", fragt er, "die Luftqualität zu messen, die wir über viele winzige, entfernte Satellitensensoren auf der Höhe eines Wolkenkratzers atmen, oder einen oder mehrere Sensoren in unmittelbarer Nähe der Nase zu verwenden?"
"In ähnlicher Weise ist es für das Neuron effizienter, seine eingehenden Signale nahe seiner Recheneinheit, dem Neuron, zu schätzen."
Prof. Ido Kanter
