UNDERSøGELSE VæLTER GAMMEL TEORI OM HJERNELæRING

I årtier troede forskere, at læring sker i synapser eller de mange kryds mellem hjerneceller. Men nu foreslår en ny undersøgelse, at læring finder sted i et par dendritter, de grene, der føder input til hjernecellen eller neuron.

Resultaterne af en ny undersøgelse giver en helt ny indsigt i hjernelæring.

I et papir, der nu er offentliggjort i tidsskriftet Videnskabelige rapporter, beskriver forfatterne, hvordan de kom til denne konklusion efter at have studeret computermodeller af neuroner og cellekulturer.

I det enorme neurale netværk i hjernen opfører neuroner sig som små mikrochips, der optager input gennem deres dendriter, og - når visse betingelser nås - skaber output ved hjælp af deres axoner.

Axoner er igen tilsluttet dendritterne fra andre neuroner gennem links kaldet synapser. Der er mange flere synapser pr. Neuron end dendritter.

Et væsentligt resultat af den nye forskning er, at indlæringsparametrene for hver neuron er meget færre end tidligere antaget, fordi det foreslår, at læring finder sted i dendritter og ikke i synapser.

”I denne nye dendritiske indlæringsproces,” bemærker seniorstudieforfatter Prof. Ido Kanter, fra Gonda Interdisciplinary Brain Research Center ved Bar-Ilan University i Israel, “der er et par adaptive parametre pr. Neuron sammenlignet med tusinder af små og små følsomme i det synaptiske læringsscenarie. ”

Læring sker hurtigere, end vi troede

Et andet vigtigt resultat af den nye undersøgelse er, at læringsprocessen sker meget hurtigere i den nye dendritiske model end den traditionelle synaptiske model.

Resultaterne kan have vigtige konsekvenser for behandling af hjernesygdomme og designet af computerapplikationer - såsom "dyb læringsalgoritmer" og kunstig intelligens - som er baseret på at efterligne den måde, hjernen fungerer på.

Forskerne forventer, at i tilfælde af sidstnævnte åbner deres undersøgelse døren til design af mere avancerede funktioner og meget hurtigere behandlingshastigheder.

Den traditionelle, synaptiske læringsmodel er rodfæstet i banebrydende arbejde af Donald Hebb, der blev offentliggjort i 1949 i bogen Organisationen af adfærd.

Denne model, som Prof. Kanter og hans kolleger kalder "læring ved links", foreslår, at de "læringsparametre", der ændrer sig under læringsprocessen, afspejler antallet af synapser eller links pr. Neuron, som er beregningsenhederne i det neurale netværk.

'Learning by nodes'

I deres nye model - som de henviser til som "læring ved noder" - foreslår forskerne, at læringsparametrene ikke afspejler antallet af synapser, hvoraf der er mange pr. Neuron, men antallet af dendritter eller knuder, hvoraf der er er kun få pr. neuron.

Derfor forklarer de, "i et netværk af forbindende neuroner", er antallet af indlæringsparametre pr. Neuron i den synaptiske model "signifikant større" end antallet i den dendritiske model.

Hovedformålet med deres undersøgelse var at sammenligne de "kooperative dynamiske egenskaber mellem synaptiske (link) og dendritiske (nodale) læringsscenarier."

Undersøgelsens forfattere konkluderer, at deres resultater "stærkt indikerer, at en hurtigere og forbedret læringsproces forekommer i neuronale dendritter, på samme måde som det, der i øjeblikket tilskrives synapserne."

Svage synapser spiller nøglerolle i læring

Et andet væsentligt fund i undersøgelsen er, at det ser ud til, at svage synapser, der tegner sig for det meste af hjernen og blev anset for at spille en ubetydelig rolle i læring, faktisk er meget vigtige.

Forfatterne bemærker, at "dynamikken styres modsat hovedsageligt af de svage led."

Det ser ud til, at i den dendritiske model får de svage synapser indlæringsparametrene til at svinge i stedet for at gå til "urealistiske faste ekstremer", som i den synaptiske model.

Prof. Kanter opsummerer resultaterne ved at sammenligne med, hvordan vi skal måle luftkvaliteten.

"Er det fornuftigt," spørger han, "at måle luftkvaliteten, vi indånder via mange små, fjerne satellitsensorer i en skyskraberhøjde, eller ved at bruge en eller flere sensorer i nærheden af næsen?"