شبکه های عصبی رایانه ای اشیا را مانند مغز نخستیان شناسایی میکنند
تاکنون هیچ نوع مدل رایانهای نتوانسته است با مغز نخستیان (primate)در بازشناسی بیدرنگ اشیاء برابری کند. اما دانشمندان علوم اعصاب دانشگاه ام آی تی (MIT) در تحقیقات تازهای دریافتهاند که آخرین نسل به اصطلاح "شبکههای عصبی ژرف " با مغز نخستیان تطبیق میکنند.
جیمز دیکارلو (James DiCarlo)، استاد علوماعصاب و نویسنده اصلی مقاله که در شماره 18 مجله PLoS Computational Biology به چاپ رسیده است میگوید: «از آنجا که این شبکههای عصبی بر اساس یافتههای اخیر مربوط به چکونگی عملکرد مغز در بازشناسی اشیاء طراحی شده است، موفقیت آنها بر این نکته دلالت میکند که دانشمندان فهم نسبتاً دقیقی از عملکرد بازشناسی مغز به دست آوردهاند. این واقعیت که مدلها پاسخهای عصبی و فاصله اشیاء را در فضای جمعیت نورونی پیش بینی میکنند نشانگر آن است که مدلهای مزبور تبیین خوبی از آنچه در این بخش اسرارآمیز مغز اتفاق میافتد انجام میدهند».
چنین درک اصلاح شدهای از کارکرد مغز نخستیان میتواند به هوش مصنوعی و شاید به راههای جدید بهبود نقص عملکرد بینایی کمک کند.
در دهه هفتاد میلادی دانشمندان با الهام گرفتن از مغز به امید تقلید توانایی پردازش اطلاعات دیداری، بازشناسی کلامی و فهم زبان شروع به ساخت شبکههای عصبی نمودند. در پیشنهاد شبکههای عصبی مبتنی بر ادراک بینایی، دانشمندان از بازنمایی سلسله مراتبی اطلاعات دیداری در مغز الهام گرفتند. دروندادهای دیداری از شبکیه به قشر اولیه دیداری مخ و از آنجا به قشر اطلاعاتی مخ (IT)میرود و در هر لایه از پردازش، پله پله مشخصتر میشود که شیء قابل بازشناسی چیست.
طراحان شبکه عصبی برای تقلید از عملکرد مغز، چندین لایه محاسباتی در مدلهای جدید ایجاد کردند. در هر لایه بازنماییهای دیداری شیء پیچیدهتر و پیچیدهتر میشوند و اطلاعات غیرلازم مانند محل شیء یا حرکت شیء کنار گذاشته میشوند.
به گزارش پژوهشکده علوم شناختی ، در این پژوهش محققان ابتدا توانایی بازشناسایی شیء را اندازه گرفتند. آنها با قرار دادن یک دسته الکترود در قشر IT و همچنین در منطقهی V4 (که بخشی از سیستم بینایی است که به قشر IT مرتبط است) توانستند بازنمایی عصبی هر شیئ را که حیوان می بیند مشاهده کنند. سپس آنها را با بازنماییهای "شبکههای عصبی ژرف" که شامل ماتریس عددی حاصل از عناصر محاسباتی در سیستم بود، مقایسه کردند. هر تصویر مجموعه متفاوتی از اعداد تولید میکند. دقت مدل وابسته به این است که مدل بتواند در جریان بازنمایی، اشیاء مشابه را در دستههای مشابه گروه بندی کند.
