A mesterséges intelligencia és az idegtudomány hol együtt, hol egymás mellett fejlődtek a XX. században. A mesterséges intelligenciát mutatnak a mesterséges neurális hálózatok is, melyek egyre több területen múlják felül már az embereket is. A neurális hálók fejlesztése során azonban felépítésük egyre inkább elszakadt a valós idegi hálózatokétól. Egy kanadai kutatócsoport most olyan mesterséges neurális hálót fejlesztett, amely figyelembe veszi a biológiai valószerűséget.
A számítástechnika és az idegtudomány fejlődése a XX. században egy időre szorosan összefonódott. A számítógépre írt programok egyre több olyan problémát oldottak meg, melyeken azelőtt csupán az emberi intelligencia kerekedett felül. Egyre nagyobb hitelt kapott az a gondolat, hogy az agy is számítógép módjára működik. A számítógépek tranzisztorai két állapotban lehetnek és ugyanez igaz az emberi agy idegsejtjeire is. A tranzisztorok vagy vezetnek áramot, vagy nem, az idegsejtek pedig vagy épp akciós potenciált hoznak létre, vagy nem. Ilyen elemekből olyan hálózatok építhetők, melyek logikai műveleteket végeznek el.
Az idegrendszer hálózatainak mintájára hamarosan megszülettek a mesterséges neurális hálók, melyekben az idegsejteknek megfelelő elemek már virtuális létezők, a program részei. A mesterséges neurális hálókra lassacskán a mesterséges intelligencia kutatás külön ága épült ki, és azóta elképesztő fejlődésen ment keresztül a terület. Vannak olyan mesterséges neurális hálók, melyek Go-t játszanak, vagy éppen a népszerű videojátékot, a Dota-t, és a világ legjobb játékosait is rendre legyőzik. A mesterséges neurális hálók akár a fehérjék térszerkezetét is képesek meghatározni az aminosav láncuk alapján, ami egy híresen bonyolult feladat. Az idők során az idegtudomány és a neurális hálók világa némileg eltávolodott egymástól. A neurális hálókat elkezdték valós problémák megoldására használni a kutatók, ezzel pedig gyakran olyan komputációs megoldások kerültek be ezekbe az algoritmusokba, amelyek aligha valósulhatnak meg egy valódi idegsejthálózatban.
Hogyan működnek a mesterséges neurális hálók?
A mesterséges neurális hálók általában egy kategorizációs probléma megoldását végzik el, vagyis kapnak egy bemenetet, amit az előre meghatározott kategóriák egyikébe kell sorolniuk. A bemenet lehet például egy kép. A neurális háló bemeneti rétegének elemei a kép egy-egy pixelének megfelelően képeznek egy számot. Ezt a számot továbbítják egy újabb réteg elemei felé, itt azonban az elemek már a bemeneti réteg több elemével vannak kapcsolatban és a számokat összegzik, méghozzá a kapcsolatok súlyának figyelembevételével. Ezek a lépések több rétegben is megvalósulnak mígnem eljutunk a kimeneti réteghez, aminek az elemei által képzett számok már egy kategóriát kódolnak. A legegyszerűbb esetben a háló mondjuk azt dönti el, hogy a bemenetként kapott képen látható-e macska, vagy sem.
Az egész folyamat lényege azonban az, hogy a háló képes tanulni. Ez a gyakorlatban azt jelenti, hogy a benne lévő elemek közti kapcsolatok súlyát állítgatja, mígnem a bemenetek nagyrészére a megfelelő kimenetet adja vissza. Ehhez az kell, hogy egy sor olyan képet dolgozzon fel, amelyeknél ismert az elvárt kimenet is. Az ilyen képek feldolgozásánál a kapott eredményt össze tudja hasonlítani a helyes eredménnyel. Amennyiben ezek eltérnek, akkor az úgynevezett hiba visszaterjesztéses módszerrel adjusztálja a kapcsolatok súlyait, így egy újabb alkalommal ugyanazt a képet már helyesen kategorizálná. A folyamat lényege, hogy számos kép esetében tanulja meg a háló a helyes kategóriát és így egy idő után már olyan képeket is képes lesz helyesen besorolni, amelyeknél nem ismeri előre a helyes kategóriát.
A valódi neuronhálózatok nem működhetnek úgy, ahogy a mesterségesek?
Azonban a biológiai valószerűség terén több probléma is van ezekkel a hálózatokkal. A legjelentősebb ezek közül a hiba visszaterjesztés kérdése. A mesterséges neurális hálókban egy matematika művelettel határozzák meg, hogy a háló egyes elemeinek mekkora szerepe volt a téves kategorizációban. Az érintett kapcsolatok súlya így korrigálható. Egy valódi neurális hálóban azonban nehéz elképzelni, hogyan valósulhat meg hasonló folyamat. A hiba elvileg csak a kimenet szintjén jelenik meg. Hogyan értesül róla egy olyan sejt, amely 2-3 vagy akár több sejtnyi távolságban van ettől a neurontól?
Egy kanadai kutatócsoportnak sikerült olyan mesterséges neurális hálót létrehoznia, mely csak olyan elemeket és folyamatokat tartalmaz, melyek akár egy valódi idegrendszerben is megvalósulhatnak. A hiba visszaterjesztés problémájára a megoldás az volt, hogy a háló egységei között reciprok kapcsolatokat hoztak létre, így a kimeneti sejtektől érkező hibajel elemről elemre haladt visszafelé. A kutatók a hálózat megalkotásához néhány valós megfigyelést használtak fel. A külső forrásból származó jeleket továbbító sejtkapcsolatok többnyire a neuronok sejttestének közelében lévő nyúlványokra érkeznek, míg az ellentétes irányú kapcsolatok általában az ún. apikális dendritekre, vagyis a sejttestől viszonylag távoli nyúlványokra érkeznek. Ez utóbbi kapcsolatok ráadásul olyan elektrofiziológiai változásokat indítanak be a nyúlványokban, melyek megnövelik a sorozatos tüzelés valószínűségét. Ez a tüzelési mód pedig a hosszú távú potenciáció valószínűségét fokozza a sejtkapcsolatokban, ami a tanulás, a súlyok módosításának alapja a valódi neuronhálózatokban.
Az idegrendszerben minden egyszerre történik
Egy másik jelentős probléma, hogy a mesterséges neurális hálókban a bejövő információ feldolgozása és a hiba visszaterjedése egymástól időben elkülönülnek. Ez újfent valószerűtlen, hiszen az idegrendszerben ezek a folyamatok egyidőben mennek végbe, az információfeldolgozás és a tanulás folyamatos. A kutatók modellje ezt a nehézséget úgy küzdötte le, hogy a bejövő és kimenő kapcsolatok súlyai rövid távon is változhattak az éppen aktuális jeleknek megfelelően, ami lehetővé tette, hogy a jelfeldolgozás és a hiba visszaterjesztés egyidejűleg menjen végbe a modellben. Rövid távú szinaptikus változásokat már a neuronoknál is megfigyeltek, így ez a folyamat is realisztikus.
A modellt aztán számos olyan adatsoron próbálták ki, melyek a gépi tanulás klasszikus próbáinak számítanak. Ilyenek például a CIFAR-10 és az ImageNet adatbázisok. Ezek tulajdonképpen képgyűjtemények, melyek különböző kategóriákba sorolható képeket tartalmaznak. A kutatók új modellje hasonlóan jól teljesített, mint a modern mesterséges neurális hálók (>90% pontosság). A modell ráadásul a kizáró vagy művelettel is képes volt megbirkózni. Erről a problémáról nem rég volt szó a rovat hasábjain (Hogyan lehet megérteni a kogníciót? I; II), mivel a klasszikus idegtudományi megközelítés egy fontos kritikája, hogy a neurális hálók többsége csak specializált elemek segítségével képes megoldani ezt a műveletet.
Mennyire hasonlítanak a mesterséges neurális hálók az igaziakhoz?
A kanadai kutatók végső soron olyan megoldásokat alkalmaztak a modelljükben, melyek már ismertek voltak a szakértők számára. A vizsgálat ereje abban rejlik, hogy ezeket a megoldásokat egyetlen modellben egyesítették, és így olyan neurális hálót hoztak létre, amely képes a modern tanuló algoritmusok feladatait ellátni, ugyanakkor biológiailag is valószerű. A modellben zajló folyamatok tanulmányozása akár neurobiológiai vizsgálatok alapjául is szolgálhat a jövőben. Vajon a valódi neuronhálózatokban is úgy alakul egy-egy idegsejt aktivitása, ahogy azt a modell feltételezi?
A tanulmány mindenesetre nagyon izgalmas eredményeket hozott és újra közelíti egymáshoz a tulajdonképpen egy tőről fakadó mesterséges intelligencia kutatást és az idegtudományt. Persze a két terület között azért sosem alakult ki túl mély szakadék.
Ez a cikkem az Élet és Tudomány 2021/28. számában, az Agyi aktualitások rovatban jelent meg.
Források
Bursting potentiates the neuro–AI connection | Nature Neuroscience
