Die Neuronenkaskade kann einer neutralen Selektion ähneln in der Evolution

Die Neuronenkaskade könnte der neutralen Selektion in der Evolution ähnelnVergrößernMiguel Navarro / Getty Images

“Es tut mir leid, aber Ihr Gehirn leidet unter Lawinen” ist ein Diagnose, die eine Sache sein sollte. Die Heilung sollte ein St. beinhalten Bernard gräbt Neuronen unter Haufen von Neurotransmittern hervor. Leider leidet das Gehirn aller unter Lawinen. In der Tat, ich kann sicher diagnostizieren, wer nicht unter Lawinen leidet tot. (Und Sie dachten, die Hindernisse für den Schulabschluss wären intellektuell?)

Eine Lawine im Gehirn ist im Allgemeinen eine kleine unauffälliges Ereignis, das eine massive Kaskade von neuronalen auslöst Aktivität. Es wird beobachtet, dass diese ohne äußere Einflüsse auftreten löst aus.

Warum treten sie auf? Es wurde angenommen, dass diese Lawinen sollte eine Art von Nutzen bringen, aber neue Forschungsergebnisse legen nahe, dass Es könnte nur ein lauter Unfall sein.

Warum kaskadieren Neuronen?

Auf einer Ebene ist die Erklärung für Gehirnlawinen fair einfach und sehr unaufschlussreich. Das Gehirn ist nicht linear – wenn das rechtes Neuron feuert zum richtigen Zeitpunkt, es kann a auslösen unverhältnismäßige Antwort von den Neuronen, mit denen es verbunden ist. Auch diese können eine große Reaktion mit einer sich ausbreitenden Kaskade auslösen schnell, weit und breit. Aber diese Erklärung, während die Vorteil, richtig zu sein, sagt uns eigentlich nicht viel.

Zum Beispiel sagt es uns nicht, warum diese Ereignisse erlaubt sind passieren. Wenn Ihr Computer dies tun würde, würde es abstürzen. Und sein Möglicherweise stürzen Teile des Gehirns während einer Kaskade ab. Das klingt nach einer schlechten Sache, also könnte man erwarten, dass es Lawinen gibt bieten einen gewissen Vorteil. Vielleicht müssen sie verbessert werden Berechnung? Vielleicht sind sie die unerwünschte Folge von Betrieb des Gehirns an einem Punkt, an dem das Lernen so schnell wie möglich ist möglich?

Es wurden zwei allgemeine Ansätze verfolgt, um dies herauszufinden Was steckt hinter diesem Phänomen? Es gibt Leute, die es tatsächlich wissen Wie ein Neuron aussieht und das Gehirn erfolgreich unterscheiden kann Taschentuch aus verbranntem Toast zweimal von dreien. Sie untersuchen Neuronenkaskaden, indem untersucht wird, wie das Gehirn tatsächlich funktioniert. Physiker können und können nicht, also machen sie mathematische Modelle stattdessen. Diese Modelle werden unter allen möglichen Bedingungen ausgiebig getestet Bedingungen. (Diese Art der Untersuchung stellt eine große Ersparnis dar in gebranntem Toast.)

Diese Modelle haben die gleiche Ähnlichkeit mit dem Gehirn und dem Nervenzelle wie mein Fahrrad für einen Albatros. Jeder, einschließlich der Physiker, weißt du das? Warum glauben sie, dass das Modellieren funktionieren wird? Nun, sie versuchen, umfassendere Fragen zu verstehen Allgemeines Verhalten des Gehirns als Netzwerk. Und diese Fragen können beantwortet werden mit Modellen, die wirklich Schatten des Realen sind Ding.

Warum funktionieren diese Modelle?

Unser Vertrauen in diese relativ einfachen Modelle geht zurück Festkörperphysik und die Idee eines Phase nübergangs. PhaseÜbergänge sind Dinge wie das Schmelzen von Eis zu flüssigem Wasser oder a Der Magnet verliert seinen Magnetismus, wenn er erhitzt wird. Phasenübergänge sind, physisch alle sehr unterschiedlich voneinander. Doch die Mathematik das beschreibt, wie der Phasenübergang stattfindet, ist unheimlich Ähnlichkeit mit diesen Beispielen. Darin eingebettet ist die Idee eines kritischer Punkt. Auf der einen Seite des kritischen Punktes befindet sich das Material verhält sich so; auf der anderen Seite verhält sich das Material in Ein weiterer.

Es stellte sich heraus, dass diese Idee viel breiter ist als diese Art von Übergang: alle möglichen Dinge, wie tropfende Wasserhähne, Tier Populationen, chemische Reaktionen, das Verhalten von Märkten und viele mehr noch, schien der gleichen Analyse zugänglich zu sein. Und ja das Gehirn ist darin enthalten. Epilepsie scheint zum Beispiel zu sein gut von diesen Modellen beschrieben.

Lassen Sie uns dies also auf neuronale Lawinen zurückführen. Diese Art von Verhalten ist dem Verhalten von zum Beispiel sehr ähnlich Orientierung von Magnetspins während einer paramagnetischen Phase Übergang. Aber neuronale Lawinen treten relativ häufig auf, Das würde bedeuten, dass das Gehirn in der Nähe eines kritischen Punktes arbeitet. Forscher haben vorgeschlagen, dass die Recheneffizienz der Das Gehirn wird dadurch gestärkt, dass es in der Nähe des kritischen Punkts operiert, was der Fall wäre bedeuten, dass es eine adaptive Funktion ist.

Aber es gibt eine Idee in der Evolutionstheorie, die uns das sagt Es gibt nicht alle Merkmale, weil sie einen Nutzen bringen. Etwas Merkmale enden an Ort und Stelle aufgrund von Drift und andere, weil sie a sind Nebenwirkung von etwas Nützlichem. Es stellt sich heraus, dass dieses Konzept kann beide beschreiben den Nutzen neuronaler Lawinen und wie diese war in erster Linie ein Merkmal des Gehirns.

Was nun folgt, ist ein Physiker, der über Evolution spricht; jene mit einer Abneigung gegen Missbrauch der Biologie sollte jetzt wegschauen. Es war Es ist ziemlich schockierend für mich zu erfahren, dass viele Eigenschaften nicht ausgewählt sind dafür oder dagegen durch natürliche Auslese, kann aber unbeabsichtigt entstehen. Während einige Mutationen vorteilhaft sind und andere einfach schlecht, sind die meisten Bewirken Sie nicht, dass eine ausreichend große Veränderung bemerkt wird – sie sind neutral. Neutrale Veränderungen können sich in einer Population ausbreiten, weil sie es sind versehentlich mit etwas verknüpft, für das ausgewählt wurde. Eine neutrale Das Merkmal kann sich auch auf die gleiche Weise ausbreiten wie eine Lawine tritt auf: es ist zufällig zur richtigen Zeit am richtigen Ort. Das Der Grund dafür ist, dass neutrale Merkmale in der Genetik eine Population aufweisen Dynamik genauso komplex wie kritische Punktphänomene aber ohne kritische Punkte.

Wenn wir ein solches Verhalten in der Populationsgenetik erreichen können Vielleicht sehen wir, ohne uns einem kritischen Punkt zu nähern genau das gleiche im gehirn mit neuronenkaskaden?

Verwenden eines gut akzeptierten Modells eines Neurons, das als Teil von Als neuronales Netzwerk versuchten die Forscher festzustellen, ob es sich um ein neuronales Netzwerk handelt Lawinen könnten durch neutrales Verhalten beschrieben werden. Und das ist wo die Kraft der Modelle zur Geltung kommt. Die Modellparameter sind bekannt, und die kritischen Punkte können entdeckt werden und genau charakterisiert. Dann wird es möglich zu katalogisieren die verschiedenen Arten des Verhaltens gesehen, je nachdem, wie die Neuronen verbunden sind und die Schwelle für wann Neuronen feuern werden Antwort auf andere Neuronen. Dies ist genau die Art von Experiment Das ist so gut wie unmöglich, wenn man mit echten Neuronen spielt.

Nicht alles ist gut mit Modellen

Insbesondere wählten die Forscher Einstellungen, für die es war bekannt, dass das neuronale Netz einen diskontinuierlichen Übergang hatte zwischen einem sehr aktiven Zustand (viele Neuronen feuern häufig) und ein Zustand mit geringer Aktivität (viele Neuronen feuern selten). In dem aktiver Zustand, Kaskaden oder Lawinen waren von anderen beobachtet worden Forscher, und die Aktivität des Netzwerks ist im Einklang mit dem Verhalten in echten Gehirnen beobachtet.

Diese Analyse verwendete einen Trick, der in der Realität nicht angewendet werden kann Beobachtungen. Die Forscher suchten die rechnerischen Daten nach Identifizieren Sie das Neuron, das die Lawine ausgelöst hat und von dort aus Verfolgte die Aktivitätskette, um Dinge wie die Dauer zu bestimmen und Größe der Lawine. In einer realen Messung wissen Sie nie Welches Neuron hat die Lawine ausgelöst? Gruppenneuronen feuern nach Zeit und bestimmen anhand der zeitlichen Nähe Welche Neuronen haben welche ausgelöst?

Wenn Sie dies jedoch mit den Berechnungsdaten tun, wird die Lawinen der Modellneuronen ähneln nicht denen der realen Gehirne. Das scheint ziemlich schlimm zu sein, wenn Sie Vorhersagen treffen wollen. Damit Es ist nicht klar, ob wir aus den anderen Informationen herauskommen das Rechenmodell ist relevant.

Um darüber hinaus zu gehen, entwickelten die Forscher ein vereinfachtes Modell das hatte mehrere wünschenswerte Eigenschaften. Abhängig von den Parametern es hatte einen diskontinuierlichen Phasenübergang (also einen plötzlichen Sprung von einem aktiven Zustand in einen Ruhezustand) und eine kontinuierliche Phase Übergang (die Aktivitätsrate ändert sich reibungslos von einem Zustand in den anderen) andere, aber die Änderungsrate zeigt einen plötzlichen Sprung).

Und natürlich nahe an den Phasenübergängen, dem Neuronalen Netzwerk zeigte Kaskaden. Aber vor allem hat das Netzwerk Kaskaden, auch wenn kein Phasenübergang in der Nähe ist.

In Anbetracht der Vorteile, die dem Gehirn zugeschrieben wurden arbeitet in der Nähe eines kritischen Punktes, arbeitet im Leerlauf Gebiet irgendwelche Vorteile haben? Die Forscher bieten einige an Spekulation in diese Richtung. Zum Beispiel die Reihenfolge und Intensität der Neuronen, die in einem Netzwerk feuern, kann kodieren Information. Die Forscher spekulieren, dass neutrale Lawinen, weil sie kausal sind (z. B. löst jedes Neuron das Feuer anderer aus) nachdem sie gefeuert haben), könnte die Quelle für die Initiale liefern Feueraktivität, die zugeordnet werden kann, und codieren, Information.

Aber ehrlich gesagt, hier läuft alles schief. Das Modell, zusammen bietet mit anderen wie es einen tollen einblick in die statistik von Netzwerkverhalten. Leider verknüpft man das mit tatsächlichem Sachverhalt Aktivitäten wie das Erkennen eines Gesichts oder das Hinzufügen von zwei Zahlen sind eher schwächer. Die Stärke hier ist, dass die Forschung könnte Schlagen Sie einige neue Wege vor, um zu verstehen, wie das Gehirn lernt. Aber Selbst wenn dies der Fall ist, wird es schwierig sein, die Forschung real miteinander zu verknüpfen Neuronen zurück zu den Modellen.

Physical Review X, 2017, DOI: 10.1103 / PhysRevX.7.041071

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: