مطالعه‌ای جدید از دانشگاه کالیفرنیا سن‌دیگو نشان داده است که نحوه یادگیری مغز بسیار پیچیده‌تر از آن چیزی است که پیش‌تر تصور می‌شد. این پژوهش، فرضیات قدیمی درباره چگونگی عملکرد سیناپس‌ها را به چالش می‌کشد و دیدگاه نوینی درباره سازوکارهای یادگیری ارائه می‌دهد.
استعداد شگفت‌انگیز مغز در خودبازسازی عصبی
مغز ما توانایی خارق‌العاده‌ای برای جذب اطلاعات جدید دارد؛ چه یادگیری یک مهارت جدید در محل کار، چه حفظ یک ملودی، یا یافتن مسیر در خیابانی ناآشنا. این توانایی به لطف سازوکاری به نام خودبازسازی عصبی (neural self-reinvention) ممکن می‌شود.
هر بار که ما کاری جدید را تمرین می‌کنیم، میلیون‌ها اتصال ریز میان سلول‌های عصبی یا همان نورون‌ها، قدرت خود را تنظیم می‌کنند. نورون‌ها برای ذخیره دانش، از مکانیزم‌های متنوعی بهره می‌برند.
راز یادگیری در مغز: مسئله تخصیص اعتبار
انعطاف‌پذیری سیناپسی
برخی اتصالات عصبی، به نام سیناپس‌ها، سیگنال‌های خود را تقویت می‌کنند تا اطلاعات مهم را تثبیت کنند. در حالی که دیگر سیناپس‌ها سیگنال‌ها را کاهش می‌دهند تا نویزها را حذف کنند. این تغییرات در مجموع با عنوان انعطاف‌پذیری سیناپسی (synaptic plasticity) شناخته می‌شوند.
مغز چگونه تصمیم می‌گیرد؟
چالش اساسی این است: مغز چگونه تصمیم می‌گیرد کدام سیناپس باید تغییر کند و کدام باید ثابت بماند؟ در حالی که هر سیناپس تنها به فعالیت محلی خود دسترسی دارد، مغز باید ارتباطاتی را تقویت کند که رفتار آینده را بهبود می‌بخشند. این مسئله به معمایی رایانه‌ای با نام مسئله تخصیص اعتبار (credit assignment problem) شباهت دارد.
نگاهی بی‌سابقه به فرایند یادگیری
فناوری پیشرفته تصویربرداری مغزی
برای بررسی این معما، پژوهشگران با استفاده از میکروسکوپ دو فوتونی فعالیت مغز موش‌ها را در حین یادگیری یک مهارت حرکتی جدید مشاهده کردند. این فناوری امکان مشاهده فعالیت سیناپس‌های منفرد در بافت زنده را فراهم می‌کند.
ترکیب روش‌های پیشرفته
پژوهشگران از حسگرهای فلورسنت ژنتیکی، رباتیک برای ثابت نگه‌داشتن سر موش، و نرم‌افزارهای تحلیل اختصاصی بهره گرفتند. نتیجه، ویدیویی بی‌سابقه از یادگیری در حال وقوع بود.
مغز هنگام یادگیری چگونه تغییر می‌کند؟
قواعد یادگیری محلی در نورون‌ها
تا پیش از این، تصور می‌شد که هر نورون از یک قانون واحد برای تغییر سیناپس‌های خود پیروی می‌کند. اما پژوهش جدید نشان داد که شاخه‌های مختلف یک نورون ممکن است همزمان از قواعد یادگیری متفاوتی تبعیت کنند.
ممکن است یک گروه از سیناپس‌ها در هنگام فعال شدن نورون تقویت شود، گروهی دیگر تضعیف شود، و گروهی دیگر بدون تغییر باقی بماند.
نورون‌ها مثل پردازنده چند هسته‌ای عمل می‌کنند
این الگوها در موش‌های مختلف پایدار بودند و پس از یادگیری نیز باقی ماندند. این نشان می‌دهد که مغز به‌طور هدفمند اطلاعات را در مسیرهای جداگانه نگهداری کرده و از الگوهای یادگیری اختصاصی برای هر مسیر استفاده می‌کند. به‌بیان ساده، هر نورون مثل یک پردازنده چند هسته‌ای رفتار می‌کند.
نورون‌ها چندوظیفه‌ای هستند
هر بخش از نورون به‌طور محلی عملکرد خود را ارزیابی می‌کند؛ بنابراین، نیازی به سیستم بازخوردی سراسری نیست. به‌جای آن، هر بخش نورون، امتیازدهی و یادگیری خاص خود را انجام می‌دهد.
به گفته دکتر تاکاکی کومیاما، این کشف باعث تحول در درک ما از مغز شده و نشان می‌دهد نورون‌ها در بخش‌های مختلف خود محاسبات مستقل و همزمانی انجام می‌دهند.
پیامدهای این کشف برای هوش مصنوعی
آموزش محلی به‌جای بازپراکنش
شبکه‌های عصبی مصنوعی مدرن معمولاً تنها از یک قانون آموزشی یکنواخت به نام بازپراکنش (backpropagation) استفاده می‌کنند. اما یافته‌های تازه نشان می‌دهند که استفاده از قوانین آموزشی محلی و متنوع می‌تواند به سیستم‌های هوشمند‌تر و منعطف‌تری منجر شود.
الگوبرداری از طبیعت
با طراحی سخت‌افزار یا نرم‌افزارهایی که از یادگیری ناحیه‌ای الگوبرداری کنند، می‌توان بازده انرژی را افزایش داد، سازگاری را تسریع کرد، یا پایداری سیستم‌ها را در شرایط متغیر تقویت نمود.
دیدگاه تازه درباره اختلالات مغزی
درمان‌های هدفمندتر
بسیاری از اختلالات عصبی و روانی مانند اعتیاد، PTSD، آلزایمر، و اوتیسم با انعطاف‌پذیری سیناپسی ناسالم در ارتباط هستند. این مطالعه نشان می‌دهد که نورون‌ها دسته‌های مختلفی از سیناپس‌ها را بر اساس قوانین جداگانه تنظیم می‌کنند؛ بنابراین، درمان‌ها می‌توانند هدفمندتر و با عوارض جانبی کمتر طراحی شوند.
برای نمونه، با کاهش فعالیت نواحی بیش‌فعال در مدارهای مرتبط با ترس، می‌توان خاطرات تروماتیک را کاهش داد بدون آنکه عملکردهای شناختی دیگر مختل شوند.
آینده پژوهش در یادگیری مغز
پژوهشگران اکنون در پی شناسایی علائم زیستی یا شیمیایی هستند که تعیین می‌کنند هر سیناپس از کدام قانون یادگیری پیروی کند. آیا این انتخاب به نوع گیرنده‌های عصبی، یا سلول‌های گلیال محلی، یا الگوهای ژنی وابسته است؟
پاسخ به این پرسش‌ها نیازمند ابزارهای تصویربرداری پیشرفته‌تر، برچسب‌گذاری ژنتیکی نواحی خاص نورون‌ها، و مدل‌های رایانه‌ای پیچیده خواهد بود. اما نکته کلیدی روشن است: هر نورون مجموعه‌ای از متخصصان یادگیری است، نه یک تابع ساده.
نتیجه‌گیری
این تحقیق گامی بزرگ در مسیر درک نحوه یادگیری مغز انسان و حیوانات است. یافته‌ها نه‌تنها درک ما از سازوکارهای عصبی را تعمیق می‌بخشند، بلکه مسیرهای تازه‌ای برای درمان بیماری‌ها و طراحی هوش مصنوعی کارآمدتر می‌گشایند.
این مطالعه در ژورنال Science منتشر شده است.
