Computational Neuroscience | Mind

📚 تقریبا هوشمند ✍ مهسا حسینی ---------------------- @MindResearchCenter

الگوی هندسی فعالیت عصبی تصور کنید صد میلیارد نورون در مغز شما همزمان شلیک می‌کنند. اگر بخواهیم فعالیت آن‌ها را ثبت کنیم، با یک فضای ریاضیِ باورنکردنی روبه‌رو می‌شویم؛ فضایی با میلیاردها بُعد که هر نورون یک محور مختصات جداگانه است. اما یک کشف شگفت‌انگیز در نوروساینس محاسباتی دهه‌ی اخیر این است که مغز از تمام این فضا استفاده نمی‌کند. فعالیت عصبی روی یک زیرفضای بسیار کم‌بُعد و منظم زندگی می‌کند که به آن Neural Manifold می‌گویند. منیفلد یک ساختار هندسی است که در ابعاد بالا تا خورده اما ذاتاً ساده است. مثال کلاسیکش سطح زمین است. شما روی یک کره‌ی سه‌بُعدی زندگی می‌کنید، اما در مقیاس محلی همه چیز دو‌بُعدی به نظر می‌رسد و طول و عرض جغرافیایی کافی‌اند. زمین یک منیفلد دو‌بُعدی است که در فضای سه‌بُعدی جاسازی شده. حالا همین منطق را به مغز بیاورید: فضای فعالیت نورون‌ها ابعاد بسیار بالایی دارد، اما فعالیت واقعی مغز روی یک منیفلد کم‌بُعد محدود می‌شود. یکی از زیباترین شواهد تجربی از هیپوکامپ می‌آید، همان ناحیه‌ای که مرکز حافظه و مکان‌یابی است. وقتی یک موش در یک محیط حرکت می‌کند، صدها Place Cell فعال می‌شوند؛ نورون‌هایی که هر کدام به یک موقعیت فیزیکی خاص حساس‌اند. اگر فعالیت همه‌ی این نورون‌ها را همزمان ثبت کنید و در فضای پر‌بُعد رسم کنید، یک چیز حیرت‌آور می‌بینید: نقاط روی یک حلقه‌ی یک‌بُعدی می‌افتند. این حلقه دقیقاً نقشه‌ی موقعیت فیزیکی موش است. تونل دایره‌ای تبدیل می‌شود به منیفلد حلقوی. مغز موش، بدون هیچ برنامه‌ریزی آگاهانه‌ای، هندسه‌ی محیط را به هندسه‌ی فعالیت عصبی ترجمه کرده. این کشف نحوه‌ی نگاه ما به «نمایش» اطلاعات در مغز را زیر و رو کرد. قبلاً فکر می‌کردیم مغز اطلاعات را مثل یک کامپیوتر در سلول‌های حافظه‌ی مشخص ذخیره می‌کند. اما منیفلدها نشان می‌دهند که اطلاعات در الگوی هندسی جمعیِ نورون‌ها کدگذاری شده، نه در نورون‌های منفرد. یادگیری هم از این زاویه معنای تازه‌ای پیدا می‌کند. وقتی چیزی یاد می‌گیریم، منیفلد تغییر شکل می‌دهد، نه اینکه نورون‌های جدیدی اضافه شوند. یادگیری یعنی تغییر هندسه‌ی فضای عصبی. جالب اینجاست که شبکه‌های عصبی مصنوعی هم دقیقاً همین رفتار را نشان می‌دهند. وقتی یک مدل زبانی پردازش می‌کند، بازنمایی‌های داخلی‌اش روی منیفلدهای کم‌بُعد سازمان‌دهی می‌شوند. انگار این معماری نه از روی طراحی آگاهانه، بلکه از ماهیت خود مسئله بیرون می‌آید. برای مطالعه‌ی این منیفلدها، محققان از ابزارهایی استفاده می‌کنند که ریشه در هندسه و توپولوژی دارند. روش‌هایی مثل UMAP برای دیدن ساختار داده‌های پر‌بُعد، یا Persistent Homology برای فهمیدن شکل توپولوژیک منیفلد که می‌تواند بگوید فضای عصبی شبیه یک حلقه است، یک کره، یا یک چیز پیچیده‌تر. یک سؤال باز و جذاب هم اینجا وجود دارد. اگر مغز روی منیفلدهای کم‌بُعد کار می‌کند، ظرفیت اطلاعاتی‌اش چقدر است؟ کم‌بُعد بودن یعنی فشرده‌سازی هوشمند و کارایی بالا، اما مغز در شرایط جدید می‌تواند منیفلدهای کاملاً تازه بسازد که نشانه‌ی انعطاف بالاست. چطور مغز بین این دو تعادل برقرار می‌کند؟ این هنوز یکی از سؤالات اصلی این حوزه است. شاید مهم‌ترین پیام این ایده این باشد که مغز یک دستگاه هندسی است. افکار، خاطرات، و تصمیمات ما مسیرهایی روی سطوح پیچیده‌ی هندسی هستند. این نگاه هم درک ما از بیماری‌های عصبی را تغییر می‌دهد، چون آلزایمر شاید نوعی تخریب تدریجی منیفلد حافظه باشد، و هم مسیر ساختن هوش مصنوعی واقعی‌تر را روشن‌تر می‌کند. ✍ Claude Sonnet 4.6 ---------------------------------- @Mind_Computational @MindResearchCenter ----------------------------------

الگوی هندسی فعالیت عصبی مغز را می‌شود به‌جای یک انبار اطلاعات، یک فضای هندسی زنده دید که در آن الگوهای فعالیت شکل می‌گیرند و حرکت می‌کنند. در این نگاه، آنچه ما «فکر» می‌نامیم چیزی جز مسیرهایی محدود روی ساختارهای کم‌بعد در دل یک فضای بسیار پربعد نیست... ----------------------------------- @Mind_Computational @MindResearchCenter -----------------------------------

🔘 چه تفاوتی بین یادگیری بیولوژیک و دیپ‌لرنینگ وجود دارد؟ وقتی درباره‌ی «یادگیری» حرف می‌زنیم، مغز انسان و شبکه‌های عصبی مصنوعی ظاهراً از یک ایده‌ی مشترک استفاده می‌کنند: تغییر ارتباطات بر اساس تجربه. اما پشت این شباهت ظاهری، دو جهان کاملاً متفاوت وجود دارد. چیزی که امروز در هوش مصنوعی به اسم Deep Learning شناخته می‌شود، در واقع فقط الهامی بسیار ساده‌شده از یادگیری زیستی است. مغز انسان با حدود ۸۶ میلیارد نورون و صدها تریلیون سیناپس، در شرایطی یاد می‌گیرد که نویز، عدم قطعیت، محدودیت انرژی و تغییرات مداوم محیط همیشه حضور دارند. در مقابل، شبکه‌های عصبی مصنوعی معمولاً داخل مراکز داده‌ی عظیم آموزش می‌بینند، میلیون‌ها نمونه‌ی برچسب‌خورده مصرف می‌کنند و هنوز هم در بسیاری از وظایف پایه، انعطاف‌پذیری مغز را ندارند. یکی از مهم‌ترین تفاوت‌ها در نحوه‌ی اصلاح خطاست. تقریباً تمام مدل‌های مدرن هوش مصنوعی با الگوریتمی به نام Backpropagation آموزش می‌بینند؛ روشی که در آن خطای خروجی به لایه‌های قبلی برگردانده می‌شود تا وزن‌ها اصلاح شوند. این سازوکار از نظر ریاضی فوق‌العاده قدرتمند است، اما از دیدگاه زیست‌شناسی، چندان واقعی به نظر نمی‌رسد. هیچ شواهد محکمی وجود ندارد که مغز دقیقاً چیزی شبیه Backpropagation اجرا کند. نورون‌های واقعی به «خطای کلی شبکه» دسترسی ندارند و هر سیناپس فقط اطلاعات محلی دریافت می‌کند؛ یعنی فعالیت نورون قبل و بعد از خودش. به همین دلیل، یکی از پرسش‌های اصلی نوروساینس محاسباتی این است که مغز چگونه بدون چنین الگوریتم دقیقی می‌تواند این‌قدر مؤثر یاد بگیرد. در مغز، یادگیری بیشتر به قوانین محلی وابسته است. معروف‌ترین نمونه، قانون یادگیری هِبی است که معمولاً با این جمله شناخته می‌شود: «نورون‌هایی که با هم فعال می‌شوند، اتصالشان قوی‌تر می‌شود.» اگر دو نورون مرتب هم‌زمان شلیک کنند، ارتباط بین آن‌ها تقویت می‌شود. بعدها این ایده به مدل‌های پیچیده‌تری مثل STDP گسترش پیدا کرد؛ جایی که حتی اختلاف زمانی چند میلی‌ثانیه‌ای میان شلیک نورون‌ها می‌تواند تعیین کند یک سیناپس تقویت شود یا تضعیف. یعنی مغز فقط به «چه چیزی» حساس نیست؛ بلکه «چه زمانی» هم اهمیت دارد. زمان در شبکه‌های زیستی بخشی از خودِ کد عصبی است، در حالی که بسیاری از شبکه‌های مصنوعی کلاسیک عملاً زمان را نادیده می‌گیرند. از طرف دیگر، مغز از نظر مصرف انرژی تقریباً شگفت‌انگیز است. کل مغز انسان حدود ۲۰ وات انرژی مصرف می‌کند؛ کمتر از یک لامپ ساده. اما مدل‌های بزرگ هوش مصنوعی برای آموزش، به هزاران پردازنده‌ی گرافیکی و مصرف عظیم انرژی نیاز دارند. این اختلاف فقط یک مسئله‌ی مهندسی نیست؛ بلکه نشان می‌دهد مغز احتمالاً از اصول محاسباتی متفاوتی استفاده می‌کند. نورون‌های زیستی فقط در مواقع لازم فعال می‌شوند و پردازش در آن‌ها به‌شدت پراکنده و موازی است. در مقابل، بیشتر شبکه‌های مصنوعی هنوز محاسباتی سنگین و متراکم انجام می‌دهند و از نظر بهره‌وری انرژی فاصله‌ی زیادی با مغز دارند. نکته‌ی جالب‌تر این است که مغز برخلاف مدل‌های هوش مصنوعی، با تعداد بسیار کمی نمونه یاد می‌گیرد. یک کودک ممکن است فقط چند بار یک حیوان را ببیند و بعد بتواند آن را در شرایط مختلف تشخیص دهد. اما یک شبکه‌ی عمیق معمولاً به هزاران یا میلیون‌ها تصویر نیاز دارد. همین تفاوت باعث شده پژوهشگران به‌دنبال ساخت مدل‌هایی باشند که بتوانند مثل مغز، با تجربه‌ی کم و تعمیم بالا یاد بگیرند. برخی نظریه‌های مدرن علوم اعصاب حتی پیشنهاد می‌کنند که مغز اساساً یک «ماشین پیش‌بینی» است. طبق نظریه‌ی Predictive Coding، مغز دائماً در حال پیش‌بینی ورودی‌های حسی آینده است و فقط اختلاف میان پیش‌بینی و واقعیت را پردازش می‌کند. جالب اینجاست که این ایده شباهت عمیقی با بسیاری از معماری‌های جدید هوش مصنوعی دارد؛ مدل‌هایی که به‌جای حفظ ساده‌ی داده‌ها، سعی می‌کنند ساختار پنهان جهان را یاد بگیرند. بسیاری معتقدند آینده‌ی هوش مصنوعی نه در بزرگ‌تر کردن مدل‌ها، بلکه در نزدیک‌تر شدن به اصول یادگیری زیستی نهفته است. شاید مهم‌ترین تفاوت این باشد که مغز فقط یک سیستم پردازش اطلاعات نیست. یادگیری زیستی عمیقاً با بدن، احساسات، هورمون‌ها، انگیزه و بقا گره خورده است. برای مثال دوپامین فقط یک ماده‌ی شیمیایی مرتبط با لذت نیست؛ بلکه بخشی از سیستم یادگیری مبتنی بر پاداش است که رفتار را شکل می‌دهد. در حالی که بیشتر مدل‌های هوش مصنوعی هنوز هیچ درک واقعی از بدن، تجربه‌ی زیسته یا انگیزه ندارند. به همین دلیل، با وجود تمام پیشرفت‌های خیره‌کننده‌ی هوش مصنوعی، هنوز فاصله‌ی بزرگی میان «هوشمندی آماری» و «شناخت زیستی» وجود دارد. ✍ ChatGPT 5.5 Pro ----------------------------------- @Mind_Computational @MindResearchCenter -----------------------------------

تفاوت یادگیری بیولوژیک و دیپ‌لرنینگ در خصوص یادگیری، مغز انسان و شبکه‌های عصبی مصنوعی ظاهرا از یک ایده‌ی مشترک استفاده می‌کنند؛ تغییر ارتباطات بر اساس تجربه. با این حال پشت این شباهت ظاهری، دو جهان کاملا متفاوت وجود دارد. ---------------------------------- @Mind_Computational @MindResearchCenter ----------------------------------

Channel photo updated

دپارتمان «علوم اعصاب محاسباتی» که یکی از زیرمجموعه‌های مرکز تحقیقاتی مایند است، با مدیریت مستقل به مطالعه و مدل‌سازی محاسباتی عملکرد مغز، شبکه‌های عصبی و فرایندهای شناختی می‌پردازد. تمرکز این دپارتمان بر تلفیق علوم اعصاب، هوش مصنوعی، ریاضیات، علوم داده و مدل‌سازی سیستم‌های پیچیده است تا سازوکارهای پردازش اطلاعات در مغز انسان با دقتی علمی و تحلیلی بررسی شوند. هدف ما توسعه‌ی پژوهش‌های میان‌رشته‌ای، طراحی مدل‌های شناختی و عصبی، و ایجاد بستری علمی برای فهم عمیق‌تر رابطه‌ی مغز و علوم محاسباتی است. ----------------------------------- @Mind_Computational @MindResearchCenter -----------------------------------

Channel created