Введение

Структуры в нервных системах, структуры, обнаруженные в мозге.

Нейронная сеть, также называемая нейронным сетью, представляет собой взаимосвязанную совокупность нейронов (обычно включающую несколько нейронных цепей). Биологические нейронные сети изучаются для понимания организации и функционирования нервных систем. Тесно связаны с ними искусственные нейронные сети – модели машинного обучения, вдохновленные биологическими нейронными сетями. Они состоят из искусственных нейронов, являющихся математическими функциями, разработанными для моделирования механизмов, используемых нейронными цепями.

Обзор

Биологическая нейронная сеть состоит из группы нейронов, химически связанных или функционально ассоциированных друг с другом. Отдельный нейрон может быть связан со многими другими нейронами, а общее число нейронов и связей в сети может быть значительным. Связи, называемые синапсами, обычно формируются от аксонов к дендритам, хотя возможны также дендродендритные синапсы и другие типы соединений. Помимо электрической передачи сигналов, существуют и другие формы сигнализации, возникающие в результате диффузии нейротрансмиттеров. Искусственный интеллект, когнитивное моделирование и искусственные нейронные сети – это парадигмы обработки информации, вдохновленные тем, как биологические нейронные системы обрабатывают данные. Искусственный интеллект и когнитивное моделирование стремятся имитировать некоторые свойства биологических нейронных сетей. В области искусственного интеллекта искусственные нейронные сети успешно применяются для распознавания речи, анализа изображений и адаптивного управления с целью создания программных агентов (в компьютерных и видеоиграх) или автономных роботов. Теория нейронных сетей позволила лучше понять функционирование нейронов в мозге и послужила основой для разработки искусственного интеллекта.

История

Предварительная теоретическая основа современных нейронных сетей была независимо предложена Александром Бейном (1873) и Уильямом Джеймсом (1890). В их работах и мысли, и физическая активность рассматривались как результат взаимодействия нейронов в мозге. Бейн (1898) провёл эксперименты для проверки теории Джеймса, пропуская электрический ток по спинному мозгу крыс. Однако, вместо ожидаемого Джеймсом увеличения силы тока, Шеррингтон обнаружил её снижение по мере продолжения эксперимента. Важно отметить, что эта работа привела к открытию концепции привыкания. Маккалок и Питтс (1943) также создали вычислительную модель нейронных сетей, основанную на математике и алгоритмах, назвав её пороговой логикой. Эти ранние модели подготовили почву для разделения исследований нейронных сетей на два различных направления: одно фокусировалось на биологических процессах в мозге, а другое – на применении нейронных сетей в области искусственного интеллекта. Параллельная распределённая обработка, получившая популярность в середине 1980-х годов, стала известна как коннекционизм. Работа Румелхарта и Макклеланда (1986) подробно изложила принципы использования коннекционизма в компьютерах для моделирования нейронных процессов. Искусственные нейронные сети, применяемые в искусственном интеллекте, традиционно рассматриваются как упрощённые модели нейронной обработки в мозге, хотя степень соответствия между этой моделью и биологической архитектурой мозга остаётся предметом дискуссий, поскольку неясно, насколько точно искусственные нейронные сети воспроизводят функции мозга.

Нейробиологии

Теоретическая и вычислительная нейробиология – это область, посвященная анализу и вычислительному моделированию биологических нейронных систем. Поскольку нейронные системы тесно связаны с когнитивными процессами и поведением, эта область тесно связана с когнитивным и поведенческим моделированием. Цель этой области – создание моделей биологических нейронных систем для понимания принципов работы биологических систем. Для достижения этого понимания нейробиологи стремятся установить связь между наблюдаемыми биологическими процессами (данными), биологически правдоподобными механизмами нейронной обработки и обучения (модели нейронных сетей) и теоретическими основами (теория статистического обучения и теория информации).

Типы моделей

Используется множество моделей, определенных на различных уровнях абстракции и моделирующих разные аспекты нейронных систем. Они охватывают диапазон от моделей кратковременного поведения отдельных нейронов, через модели динамики нейронных цепей, возникающей в результате взаимодействия между отдельными нейронами, до моделей поведения, возникающих из абстрактных нейронных модулей, представляющих собой целые подсистемы. Сюда входят модели долговременной и кратковременной пластичности нейронных систем и их связи с обучением и памятью, рассматриваемые как на уровне отдельного нейрона, так и на системном уровне.

Подключение

В августе 2020 года ученые сообщили, что двунаправленные связи или добавление соответствующих связей обратной связи могут ускорить и улучшить коммуникацию между и внутри модульных нейронных сетей коры головного мозга и снизить порог для их успешной коммуникации. Они показали, что добавление связей обратной связи между резонансной парой может поддерживать успешное распространение единичного импульсного пакета по всей сети.

Последние улучшения

Хотя изначально исследования были сосредоточены главным образом на электрических характеристиках нейронов, особенно важной частью исследований в последние годы стало изучение роли нейромодуляторов, таких как дофамин, ацетилхолин и серотонин, в поведении и обучении. Биофизические модели, такие как теория BCM, сыграли важную роль в понимании механизмов синаптической пластичности и нашли применение как в информатике, так и в нейронауке.