مغز ما به‌طور مداوم نقشه‌های درونی از جهان ایجاد می‌کند که به ما امکان می‌دهد در فضاها حرکت کنیم، تجربیات گذشته را به یاد آوریم و برای آینده برنامه‌ریزی کنیم. این نقشه‌های شناختی به ما کمک می‌کنند الگوها را تشخیص دهیم، تغییرات را پیش‌بینی کنیم و رفتار خود را بر اساس آن تطبیق دهیم.
چه در حال یافتن طبقه‌ی درست در یک هتل باشیم و چه متوجه شویم که در طبقه‌ی اشتباهی قدم گذاشته‌ایم، این نقشه‌ها به ما کمک می‌کنند تا محیط اطراف خود را درک کنیم.
دانشمندان علوم اعصاب مدت‌هاست که بررسی می‌کنند چگونه نورون‌ها به مکان‌های خاص واکنش نشان می‌دهند، اما چگونگی تشکیل این نقشه‌های ذهنی در طول زمان تا حد زیادی ناشناخته باقی مانده است.
اکنون، پژوهشگران در مرکز تحقیقاتی جانیلیا وابسته به مؤسسه پزشکی هاوارد هیوز (HHMI) فرآیندی گام‌به‌گام را کشف کرده‌اند که نشان می‌دهد این نقشه‌ها چگونه در هیپوکامپ، بخشی از مغز که برای حافظه و ناوبری فضایی حیاتی است، ایجاد می‌شوند.
ردیابی فعالیت عصبی در طول زمان
با ثبت فعالیت هزاران نورون در هیپوکامپ یک موش طی روزها و هفته‌ها، تیم تحقیقاتی به رهبری آزمایشگاه اسپراستون به‌طور سیستماتیک مستند کرد که مغز چگونه هنگام یادگیری، نقشه‌های شناختی را می‌سازد.
این مطالعه بررسی کرد که چگونه هیپوکامپ بین دو محیط بصری مشابه تمایز قائل می‌شود – مشابه طبقات مختلف یک هتل – که در هر یک، پاداشی در مکان‌های متفاوت ارائه می‌شود.
وینان سان، استادیار دانشگاه کرنل و یکی از رهبران این تحقیق، گفت:
“ما در حال ترسیم فرآیند گام‌به‌گام شکل‌گیری نقشه‌های شناختی هستیم، که یک مفهوم بسیار مهم است. اما علاوه بر آن، مشاهده‌ی این فرآیند سرنخ‌هایی درباره‌ی محاسبات پایه‌ای به ما می‌دهد و ما را یک قدم به درک نحوه‌ی عملکرد مغز در ساخت این نقشه‌ها نزدیک‌تر می‌کند.”
این یافته‌ها نه‌تنها بینش جدیدی درباره‌ی شکل‌گیری حافظه ارائه می‌دهند، بلکه می‌توانند به بهبود درمان بیماری‌های نورودژنراتیو مانند آلزایمر کمک کنند و سیستم‌های هوش مصنوعی (AI) را از طریق تقلید از مغز زیستی در استدلال بهتر یاری دهند.
نقشه‌های مغزی از فضاهای مشابه
برای مطالعه‌ی شکل‌گیری نقشه‌های شناختی، پژوهشگران از تصویربرداری با وضوح بالا برای ردیابی فعالیت عصبی یک موش که در یک محیط مجازی حرکت می‌کرد، استفاده کردند. این موش یاد گرفت که دو راهروی تقریباً یکسان را تشخیص دهد – یکی دارای پاداش در مکانی نزدیک و دیگری در مکانی دورتر – بر اساس نشانه‌های بصری.
در ابتدا، موش درک روشنی از این وظیفه نداشت و فعالیت عصبی آن برای هر دو راهرو مشابه به نظر می‌رسید. اما با پیشرفت یادگیری، الگوهای متمایزی ظاهر شدند.
نخست، موش آموخت که در مکان‌هایی که قبلاً موفق به دریافت پاداش نشده بود، جستجو نکند. سپس دریافت که در هر راهرو فقط یک پاداش وجود دارد و رفتار خود را بر این اساس تنظیم کرد. در نهایت، موش یاد گرفت که واکنش خود را در مکانی که پاداش در نقطه‌ای دورتر از آن قرار داشت، متوقف کند. با یادگیری، مغز آن به‌تدریج دو راهرو را به‌عنوان نقشه‌های شناختی کاملاً مجزا درک کرد.
سان توضیح داد:
“در ابتدا، فعالیت مغزی بسیار مشابه است، اما با یادگیری، این فعالیت به‌طور فزاینده‌ای متفاوت می‌شود تا جایی که کاملاً متمایز می‌گردد. در نهایت، هر الگوی عصبی یک وضعیت پنهان را رمزگذاری می‌کند که ماهیت واقعی وظیفه را منعکس می‌کند.”
این توانایی برای رمزگذاری وضعیت‌های پنهان – جنبه‌هایی از محیط که بلافاصله قابل مشاهده نیستند – برای هدایت در فضاهای پیچیده و مبهم در دنیای واقعی بسیار حیاتی است.
مغز اطلاعات پنهان را استخراج می‌کند
پژوهشگران نوع خاصی از نورون‌ها را شناسایی کردند که آنها را “سلول‌های حالت” (State Cells) نامیدند و وظیفه‌ی رمزگذاری اطلاعات پنهان و تشخیص تفاوت بین محیط‌های مشابه را بر عهده دارند. این سلول‌ها به حیوان کمک می‌کنند تشخیص دهد که در کدام راهرو قرار دارد، حتی اگر محیط بصری تقریباً یکسان به نظر برسد.
سان اظهار داشت:
“مغز به ورودی‌های حسی فوری اهمیت می‌دهد، اما آنها را در زمینه‌ی وضعیت پنهانی که حیوان در آن قرار دارد، تفسیر می‌کند.”
این فرآیند مشابه نحوه‌ی یادگیری انسان برای تشخیص مکان‌های مشابه است. به‌عنوان مثال، هنگام اقامت در یک هتل چندطبقه، راهروهای هر طبقه ممکن است تقریباً یکسان به نظر برسند.
در ابتدا ممکن است در تشخیص آنها دچار مشکل شویم، اما با گذر زمان، مغز ما تفاوت‌های ظریفی مانند چیدمان مبلمان یا جنس فرش را رمزگذاری می‌کند و در نهایت، ما به‌راحتی طبقه‌ی خود را تشخیص می‌دهیم.
اصول محاسباتی نقشه‌های مغزی
علاوه بر ثبت فعالیت‌های عصبی، پژوهشگران به دنبال درک اصول محاسباتی پشت این نقشه‌ها بودند.
آنها مدل‌های مختلفی را آزمایش کردند و دریافتند که بهترین مدل، گراف علّی با ساختار کلون‌شده (CSCG) است – نوعی ماشین حالت که وضعیت‌های پنهان را بر اساس الگوهای مشاهده‌شده استنباط می‌کند.
این یافته نشان می‌دهد که مغز نقشه‌های شناختی را مشابه یک برنامه‌ی کامپیوتری می‌سازد که نتایج را از طریق کنار هم قرار دادن سرنخ‌های پنهان پیش‌بینی می‌کند.
نلسون اسپراستون، مدیر اجرایی جانیلیا و نویسنده‌ی ارشد این مطالعه، گفت:
“یکی از اهداف نهایی علوم اعصاب این است که رفتار مشاهده‌شده را به فرآیندهای سلولی، مولکولی و محاسباتی که آن را تولید می‌کنند، مرتبط کند. ما در حال نزدیک شدن به سطح الگوریتمی هستیم – که arguably سخت‌ترین سطح برای درک است – و این به ما کمک می‌کند نحوه‌ی عملکرد مغز را برای انجام این محاسبات درک کنیم.”
هوش مصنوعی و علوم اعصاب
درک نحوه‌ی ساخت نقشه‌های شناختی در هیپوکامپ می‌تواند به پیشرفت در هوش مصنوعی و درمان اختلالات حافظه کمک کند. سیستم‌های هوش مصنوعی مانند مدل‌های زبانی بزرگ (LLMها) در انجام وظایفی که نیاز به استدلال، برنامه‌ریزی و حافظه‌ی بلندمدت دارند، با چالش مواجه‌اند.
با ادغام اصول بیولوژیکی برگرفته از هیپوکامپ، هوش مصنوعی می‌تواند در یادگیری مفهومی و تصمیم‌گیری بهبود یابد.
یوهان وینوبست، دانشمند ارشد در E11 Bio و یکی از رهبران این پژوهش، اظهار داشت:
“علوم اعصاب و هوش مصنوعی می‌توانند چیزهای زیادی از یکدیگر بیاموزند. مدل‌های زبانی بزرگ توانایی‌های شگفت‌انگیزی دارند، اما در برخی موارد نیز به طرز آشکاری دچار شکست می‌شوند. بخشی از این مشکل مربوط به استدلال و برنامه‌ریزی بلندمدت است. شاید بتوانیم درس‌هایی از هیپوکامپ را برای بهبود این مدل‌ها معرفی کنیم.”
علاوه بر این، یافته‌های این مطالعه می‌توانند به طراحی درمان‌های بهتر برای بیماری‌هایی مانند آلزایمر کمک کنند که در آن شکل‌گیری حافظه و نقشه‌برداری شناختی به‌شدت آسیب دیده‌اند.
مسیرهای آینده‌ی پژوهش
پژوهشگران داده‌های خود را از طریق یک ابزار بصری تعاملی به‌صورت عمومی منتشر کرده‌اند تا دانشمندان سراسر جهان بتوانند الگوهای عصبی مرتبط با شکل‌گیری نقشه‌های شناختی را بررسی کنند.
آنها در آینده قصد دارند تحقیقات خود را به محیط‌های پیچیده‌تر گسترش دهند تا بررسی کنند آیا اصول مشابه در انواع مختلف یادگیری و تصمیم‌گیری نیز صدق می‌کند یا خیر.
با مرتبط کردن رفتار، فعالیت عصبی و مدل‌های محاسباتی، این مطالعه گامی مهم در جهت حل یکی از بزرگ‌ترین معماهای علوم اعصاب برداشته است: چگونه مغز نقشه‌هایی را می‌سازد که ادراک، حافظه و هوش ما را شکل می‌دهند.
این مطالعه در ژورنال Nature منتشر شده است.
