مدار عصبی: تفاوت میان نسخهها
جز اضافه کردن لینک به ویکیپدیا انگلیسی برای تاثیر گذر سن بر نورون ها برچسبها: افزودن پیوند بیرونی به جای ویکیپیوند ویرایشگر دیداری |
جز ویرایش جزئی مفهومی |
||
خط ۵۶: | خط ۵۶: | ||
# نورونها ایجاد ارتباط خاصی که سیناپس نام دارد میکنند و تولید مواد شیمیایی خاصی به نام neurotransmitters " انتقال دهندههای عصبی " که در محل سیناپس ها برای انتقال پیام ها منتشر میشوند. |
# نورونها ایجاد ارتباط خاصی که سیناپس نام دارد میکنند و تولید مواد شیمیایی خاصی به نام neurotransmitters " انتقال دهندههای عصبی " که در محل سیناپس ها برای انتقال پیام ها منتشر میشوند. |
||
[[پرونده:1209 Glial Cells of the CNS-02.jpg|thumb|387x387px|سلولهای [[:en:Neuroglia|<u>Glial</u>]]]] |
[[پرونده:1209 Glial Cells of the CNS-02.jpg|thumb|387x387px|سلولهای [[:en:Neuroglia|<u>Glial</u>]]]] |
||
memory |
memory و دیتا ها در مغز به صورت رمزگذاری شده و در ارتباطات سیناپس بین نورون ها، در شبکه عصبی ذخیرهسازی میشوند [http://www.human-memory.net/processes_storage.html] تحقیقات دانشمندان در آمریکا بر روی حافظه راه کارهایی را برای پاک کردن و نوشتن مجدد memory خاصی در مغز را تا حدود زیادی ممکن کرده [http://www.zoomit.ir/2016/2/28/127545/scientists-figured-out-how-to-to-erase-your-painful-memories/] |
||
همچنین در تحقیقات اخیر این احتمال نسبتا ممکن شده که برای افراد تازهکار مهارتهای افراد با تجربه بالا را در مغزشان با استفاده از (جریانهای پایین الکتریکی) آپلود کرد. افراد مورد ازمایش در طی ان تحقیقات, در طول آزمایش کنترل هواپیما در مدت خیلی کوتاهی عملکردشان به خوبی افرادی که سالها در خلبانی تجربه داشته اند شده است [http://www.sciencealert.com/sorry-guys-scientists-haven-t-invented-a-matrix-style-device-that-instantly-uploads-data-to-your-brain] |
همچنین در تحقیقات اخیر این احتمال نسبتا ممکن شده که برای افراد تازهکار مهارتهای افراد با تجربه بالا را در مغزشان با استفاده از (جریانهای پایین الکتریکی) آپلود کرد. افراد مورد ازمایش در طی ان تحقیقات, در طول آزمایش کنترل هواپیما در مدت خیلی کوتاهی عملکردشان به خوبی افرادی که سالها در خلبانی تجربه داشته اند شده است [http://www.sciencealert.com/sorry-guys-scientists-haven-t-invented-a-matrix-style-device-that-instantly-uploads-data-to-your-brain] |
||
نسخهٔ ۲۰ اکتبر ۲۰۱۶، ساعت ۰۹:۰۶
این مقاله نیازمند تمیزکاری است. لطفاً تا جای امکان آنرا از نظر املا، انشا، چیدمان و درستی بهتر کنید، سپس این برچسب را بردارید. محتویات این مقاله ممکن است غیر قابل اعتماد و نادرست یا جانبدارانه باشد یا قوانین حقوق پدیدآورندگان را نقض کرده باشد. |
این مقاله نیازمند ویکیسازی است. لطفاً با توجه به راهنمای ویرایش و شیوهنامه، محتوای آن را بهبود بخشید. |
این مقاله به هیچ منبع و مرجعی استناد نمیکند. |
جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلولها و اندامهای مختلف بدن خود نیاز به عوامل و دستگاههای ارتباطی دارند. دستگاه عصبی (Nervous system) با ساختار و کار ویژهای که دارد، در جهت ایجاد این هماهنگی به وجود آمده است. نورونها پیام عصبی را به بافتها و اندامهای بدن، مانند ماهیچهها غده هاو نیز نورونهای دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشتههایی که از جسم سلولی نورونها بیرون زدهاند دو نوع اند:دندریت و آکسون دندریتها پیام هارا دریافت میکنند و به جسم سلولی میبرند، آکسونها پیام عصبی را از جسم سلولی به تا پایانههای آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیونها نورون وابسته است.
در دستگاه عصبی دو بخش اصلی وجود دارد.
- دستگاه عصبی مرکزی
- دستگاه عصبی محیطی
دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند. این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد. دستگاه عصبی مرکزی از دو بخش مادهٔ خاکستری که بیشتر محتوی جسم سلولی نورون هاست و مادهٔ سفید که اجتماع بخشهای میلین دار نورون هاست، تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمعآوری میکند و به دستگاه عصبی مرکزی میبرد. مغز انسان از حدود ۱۰۰میلیارد (billion) نورون تشکیل شده هست و حدود ۱٫۵کیلوگرم وزن دارد.
مغز شامل :مخ، مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری، حافظه، و عملکرد هوشمندانه را دارد. مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقهٔ مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی، پل مغز و بصل النخاع است. نخاع درون ستون مهرهها از بصل النخاع تا کمر امتداد دارد. نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است. دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیرارادی مارا بر عهده دارد. دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری آرامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند.
توصیف سیستم عصبی
نام سیستم عصبی از اعصاب گرفته میشود. در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعهای از نورونهای به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شدهاست. هر نورون میتواند به تعداد بسیار زیادی از نورونها وصل باشد و تعداد کل نورونها و اتصالات بین آنها میتواند بسیار زیاد باشد. اتصالات، که به آنها سیناپس گفته میشود، معمولاً از آکسونها و دندریتها تشکلیل شدهاند.
هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکههای عصبی را شبیهسازی کنند. این دو اگرچه در روشهاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدلهای ریاضی سامانههای نورونی زیستی است.
شبکههای عصبی زیستی
شبکههای عصبی زیستی مجموعهای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل میکنند و توسط سیناپسها (ارتباطهای الکتروشیمیایی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیری اند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یادمیگیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه میآموزد که خطای خود را اصلاح کند. یادگیری در این سامانهها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای تازه سامانه پاسخ درستی تولید کند.
← مجموع اتصالات نورونها در مغز انسان در حالت مینیمم به بیش از 100 trillion میرسد و سرعت سیگنالها در حدود ۲۵۶ مایل بر ساعت (یا ۴۱۱٫۹۹۲ کیلومتر بر ساعت) است. نورونها به طور متوسط با 7,000 Synapse در ارتباط هستند و کل مغز از 1015 سیناپس تشکیل شده است. نورونها میتوانند بیش از ۱۰۰۰ شاخک dendritic داشته باشند که میتوانند با دهها هزار سلول دیگر در ارتباط باشند. قطر نورونها بین (0.004 mm) تا (0.1 mm) و طول نورونها بین حدود چند میلیمتر " کوتاهترین نورونها " تا حدود ۱ متر یا بیشتر متغیر هست؛ و در هر ثانیه با توجه به اینکه حداکثر نرخ آتش هر نورون 200 Hz (هرتز به معنی تعداد چرخهها در یک ثانیه cycle/s) هست 1016 سیگنال الکتریکی در شبکهٔ عصبی جریان دارد. [۱] به طور کلی در هر ثانیه ۲۰٪ - ۵۰٪ نورونها آتش میکنند همچنین نورونهایی هم که آتش میکنند این عمل را چندین بار انجام میدهند.
← مغز یک انسان بالغ از نورونها، سلول های glial , رگهای خونی تشکیل شده است و تعداد تخمینی و دقیق تر نورونها در حدود ۸۵±10 billion (میلیارد) هست که برابر با تعداد سلولهای غیر نورونی مغز هست (۸۵±10 billion) که از مجموع این نورونها
- در حدود ۱۶ میلیارد از نورونها در cerebral cortex مغز قرار گرفتهاند (به عبارت دیگر ۱۹٪ از تمام نورونهای مغز) که شامل قشر white matter مغز هم میشود.
- در حدود ۶۹ میلیارد نورون هم در قسمت cerebellum قرارگرفتهاند (که ۸۰٪ از تمام نورونهای مغز محسوب می شه)
- کمتر از ۱٪ نورون هم در قسمتهای دیگر مغز قرار گرفته.
نقشهٔ سه بعدی مغز با توضیحات کار هر یک از بخشها و عوارض ممکن در آسیب دیدگی هر بخش را میتوانید در لینک 3D brain دنبال کنید که می توانید متوجه حجم محاسبات با توجه به تعداد نورونهای اون بخش شبکه عصبی شوید.
- cerebellum _ Hindbrain به تنظیم وضعیت و هماهنگی بدن کمک میکند و همه حرکات بدن و واکنش هاش را بررسی و ممکن میکند. (آسیب دیده گی این بخش میتواند سبب عدم تعادل و لرزش در حرکت و در صورت آسیب دیدگی شدید، عدم حرکت در شخص را به دنبال دارد)
- cerebrum _ Forebrain مرکز شخصیت فرد است و طیف بسیار گستردهتری از وظایف را نسبت به بقیه مناطق مغز برعهده دارد. از این وظایف میشود به تصمیمگیری، انتخاب آهنگ مورد علاقه، تمرکز، برنامهریزی و سازماندهی، به داشتن حس و شناخت از جهان و رابطهٔ خود فرد با جهان "همان خودآگاهی" کمک میکند. cerebrum بیشترین تعداد نورونهای حساس به دوپامین را داراست، محل تصمیمگیری برای حرکت هدفمند و گفتار (صحبت کردن), نحوه رفتار، همچنین اطلاعات دردسترس در این بخش مورد سازماندهی قرار میگیرد و باعث میشود فرد قابلیت اولویت بندی و اصلاح کردن خود و آغاز یا کنترل و یا تغییر رفتار را داشته باشد. (آسیب دیدگی این بخش میتواند شخصیت شخص را تغییر دهد. ان افراد دیگر نمیتوانند شبیه خودشان عمل کنند. این افراد توانایی برنامهریزی خودشان را از دست میدهند و توانایی کنترل رفتار خودشان را نیز ممکن از دست دهند و آسیب دیدگی شدید گاهی میتواند شخصیت این افراد را از آنها بگیرد و ...)
- Prefrontal Cortex مسئول استدلال کردن، ترسیم تصویر از یک اتفاق، گفتن، راندن وسایلی مانند دوچرخه، مقایسه گذشته و آینده در جهت پیش بینی آنچه که ممکن است اتفاق بیفتد، بررسی ایدهها و ادراک در جهت کمک به فرایند تصمیمگیری و سئوچ کردن بین کارها، منحرف کردن افکار فرد از یک عمل قبل از شروع عمل دیگر. همچنین این بخش از مغز نقشی در خود آگاهی self-awareness , تشخیص احساسات، تجربه لذتها، در ذهن خوداگاه کمک به درک سریع بودن یا کند بودن زمان، عمل کردن به عنوان قطب احساسی و فراخوانی احساس غریزی در مورد شناخت درست از غلط. همچنین پردازش احساساتی از قبیل اضطراب و ناامیدی نیز در این بخش مغز صورت میگیرد. (این قسمت از مغز با توجه به اینکه در جلوی قسمت cerebrum _ Forebrain مغز قرار گرفته به راحتی با ضربات تصادفی یا کمبود اکسیژن در حملهٔ قلبی قابل آسیب دیدن است که در صورت آسیب دیدن طیف وسیعی از مشکلات رفتاری از جمله خشونت یا عدم حساسیت، مشکلاتی در شروع وظایفت و متمرکز ماندن در انجام آنها، عملگردهای نامناسب غیرارادی و بستری شدن در مراکز درمانی را به دنبال دارد. علاوه بر این افراد مبتلا به افسردگی دارای فعالیت غیرطبیعی در قشر جلوی مغز هستند و این منطقه ممکن است در اختلال وسواس فکری عملی نیز درگیر باشند.
- dorsolateral prefrontal cortex یا به اختصار DLPFC در میانه بخش قبل در انسانها و پستانداران واقع شده است و نسبت به قسمتهای دیگر یکی از بخشهای تازه تکامل یافته مغز انسان محسوب میشود که تکامل ان تا هنگام بزرگسالی ادامه مییابد. همچنین به orbitofrontal cortex و قسمتهای مختلف مغز که شامل بخش thalamus , basal ganglia , hippocampus و مناطق اصلی و ثانویه neocortex هم متصل است. این بخش در کارهای اجرایی دخالت دارد که عملکردهایی از قبیل مدیریت فرایندهای شناختی cognitive processes که شامل حافظه کاری working memory , انعطافپذیری شناختی و برنامهریزی. همچنین وظایف رفتاری نیز به شدت مرتبط به این بخش به نظر میرسند و انجام وظایفی که نیاز به نگه داری اطلاعات در ذهن یا همان working memory را دارند. DLPFC برای به خاطر آوردن ایتمها به صورت تکی مورد نیاز نیست بنابراین آسیب دیدگی این بخش سبب اختلال در حافظه شناختی یا recognition memory نمیشود با این وجود در صورتی که فرد بخواهد دو آیتم را در حافضه با یکدیگر مقایسه کند دخالت بخش DLPFC نیز مورد نیاز خواهد بود. اشخاص با آسیب دیدگی DLPFC قادر نخواهند بود تصویری را که قبلاً به آنها نشان داده شده است را در بین دو تصویری که به آنها بعد از مدتی نشان میدهند را تشخیص دهند. بخش DLPFC در هنگام خواب فعال نیست و فقط پردازش زمان بیداری و واقعیت را بر عهده دارد. به همین ترتیب این بخش مکرراً همچنین با اختلالات رانندگی، توجه و انگیزه مرتبط دانسته شده. افرادی با آسیب دیدگی جزئی DLPFC عموماً احساس بی تفاوتی به محیط اطراف خود دارند و از خودانگیختگی در زبان و رفتار محروم اند همچنین این افراد به فقدان انگیزه برای انجام کاری برای خود و یا دیگران نیز دچار هستند.
- brainstem_ قسمت زرد در تصویر بالا. این بخش هماهنگی فعالیتهای خودکار یا رفلکس بدن را در فعالیتهایی که بدون تفکر انجام میگیرند مانند تنفس، تون عضلانی غیرارادی، فعالیت قسمتهای مختلف بدن و وضعیت آنها، کمک به حفظ آگاهی از بدن، ضربان قلب، فشار خون، عطسه، سرفه، بیدارشدن از خواب و . . . را سازماندهی میکند و سازه اون که در بالای نخاج و زیر cerebrum و در مرکز مغز قرار داره مانند یک ساختمان هست که از بخشهای (Diencephalon mid-brain , pons , medulla oblongata) تشکیل شده هست (آسیب دیدگی این بخش میتواند کشنده باشد، زمانی که عملکرد brainstem از دست میرود وضعیت شخص ممکن هست مرگ مغزی تشخیص داده شود. چون این قسمت از حول مغز دور هست آسیب دیدگیهایی مثل آسیب به سر و گردن، حمله قلبی و یا سکته مغزی، آنسفالیت، سموم مننژیت از جمله مونوکسید کربن (درحدود ۶۰٪ کربن منوکسید در خون میتواند به مرگ منجر شود. چون سرعت جذبش از اکسیژن توسط گلبولهای خون بیشتر هست، عامل: تحت تأثیر مستقیم دود خودروها بودن) , سطح قند خون بالا و یا پایین طولانی مدت در افراد مبتلا به دیابت و سرطان در ساقه مغز که میتواند در نهایت منجر به کما یا مرگ شخص شود)
- Temporal Lobe _ قسمت صورتی پررنگ در تصویر بالا. در این قسمت یک تصویر ذهنی کامل از اون چیزی که میبینیم و میشنویم و احساس میکنیم در ذهن درست میشود. زبان و شنوایی و بویایی در این قسمت مغز مورد پردازش قرار میگیرند. این قسمت از مغز همچنین به تشخیص اشیا، جهت حرکت، چهرههای آشنا (ویژه) , بخاطر آوردن حقایق جهان و اطلاعات یا دانش عمومی، همراه کردن حافظه و احساسات و همچنین این قسمت نقش مهمی را درگرفتن تصمیمات اخلاقی/احساسی بر عهده داره. لوب Temporal بازیابی معنی کلمات را از حافظه انجام میدهد و سپس کلمات را با مفاهیم هماهنگ میکند تا شخص بتواند ایدهای خود را بیان کند. همینطور زمانی که کودکان در حال یادگیری خواندن هستند این بخش مغز , کلمات را با ترجمه اشکال کلمه به صدا ذخیره میکند؛ بنابراین این بخش میتواند کلمات را تشخیص بدهد. اتصال Temporal-parietal با دیدن ارواح و یا پیش درآمد و تجربه خروج از بدن در ارتباط است (عوارض در صورت آسیب: عفونت یا بیماری مانند آلزایمر میتوانید باعث آسیب لوب Temporal شود که سبب تقلا آنچه که یک فرد میشنود، میبیند و درک میکند میشود. ممکن است حافظه و اشکال کلمات و صداها در افراد آسیب دیده مختل شود). همچنین فرایند خواب دیدن عموماً در حین فعال بودن کل cerebral cortex مغز اتفاق میافتد.
- Parietal_ قسمت آبی در تصویر بالا. حواس لمسی، درجه حرارت، فشار، و درد. Parietal به شخص برای رسیدن به درک و دانستن موقعیت چیزهای اطرافش کمک میکند. وقتی که شخصی را لمس میکنید Parietal واکنش نشان میدهد. لوب Parietal میتوانید زمان و نقطهٔ صدمه را دقیقاً شناسایی کند. این قسمت باعث بخاطر آوردن شخص از نحوه چگونگی استفاده از ابزارها و همچنین حافظه شخص از بدن و واکنشهای آشنا در برابر کنشهای آشنای محیط بدون فکر کردن دربارهٔ آنها مانند بیسبال، شنا کردن و . . . لوب Parietal بین پیشانی و occipital نهفته در مغز بالا وسط در نزدیکی cerebrum نیمکره غالب در خواندن و نوشتن گفتار و محاسبه، اقدامات پیچیده. همچنین نقش مهمی در ادراک و تصویر ذهنی از بدن بر عهده دارد (آسیب: یک فرد با یک سکته مغزی ضایعه مغزی آسیبهای مغزی و یا آسیبهای دژنراتیو در این منطقه ممکن است قادر به تشخیص چهره، چپ از راست، رسم، کلمات یا اعداد، صحبت به طور معمول و یا اقامت متمرکز نباشد. آنها ممکن است فاصله و موقعیت شی را تشخیص ندهند، آنها ممکن است قضاوت خودشان را در برخی امور ساده از دست بدهند و مثلاً از یک اتاق به دیگری در خانه خود اشتاه کنند و احساس خود از درد، لمس یا درجه حرارت را از دست بدهند، آنها ممکن است چیزها را اشتباه گرفته و قادر به لباس پوشیدن و یا انجام کارهای ساده نباشند)
- Occipital_ قسمت سبز در تصویر بالا " یا همون پس سر " نورونهای این قسمت بر روی بینایی چشم کار میکنند و با کار کردن همراه دیگر بخشهای مغز فعالیتهایی مثل پردازش تصاویر ارسال شده از چشم و تفسیر اشکال مختلف و رنگها، عمق تصاویر، زاویههایی که ما در حال دیدنشان هستیم را انجام میدهند (آسیب یا عفونت یا نرسیدن اکسیژن و موارد دیگر به این قسمت ممکن است دید و درک بصری شخص را تحت تأثیر قرار دهد و شخص آسیب دیده به سختی قادر به خواندن متون و تشخیص رنگها و محل اشیای نزدیک، تفسیر ترسیماتی مانند (نقاشی) و تشخیص کلمات در متن است. گاهی هم ممکن هست شخص نتواند تغییر اشیا از یک مکان به مکان دیگر را در اطرافش ببیند. همچنین ممکن است شخص دچار انحراف دید و توهم بصری شود. همچنین آسیب دیدگی شدید به این بخش کوری را به همراه خواهد داشت / جراحات مغزی، آسیب و یا نوشتن متقابل " cross-writing " در محل اتصالی که در آن parietal و occipital اتصال جداری پیدا میکنند ممکن است باعث حس متقارن "synesthesia"و مخلوطی حواس شود. برای مثال اون افراد هنگام شنیدن موسیقی یا خواندن اعداد رنگهایی را میبینند. برای آنها نتهای مختلف موسیقی ممکن است واقعاً تولید یک سمفونی رنگ نماید. زمانی که این گونه افراد مینویسند ممکن است عدد ۵ به رنگ آبی و عدد ۶ به رنگ سبز مشاهده شود)
شباهت نورونها با دیگر سلولهای بدن.[۲]
- نورونها توسط یک غشاء احاطه شده است.
- نورونها دارای هستهٔ حاوی ژنها هستند
- نورونها حاوی سیتوپلاسم، میتوکندری و دیگر "ارگانل هاً هستند.
تفاوت نورونها با سلولهای دیگر بدن.
- نورونها دارای projectionsهای خاصی هستن که دندریت و آکسون نام دارند. دندریت ها نقشِ آورنده پیامهای صادر شده از نورونهای مجاور یا نورونهای رده بالاتر به درون جسم سلولی نورون (Soma) را به عهده دارند و آکسونها سیگنالهای الکتریکی را از جسم سلولی نورون به بیرون هدایت میکند.
- نورورنها با یکدیگر از طریق یک پروسه الکتروشیمایی ارتباط برقرار میکنند
- نورونها ایجاد ارتباط خاصی که سیناپس نام دارد میکنند و تولید مواد شیمیایی خاصی به نام neurotransmitters " انتقال دهندههای عصبی " که در محل سیناپس ها برای انتقال پیام ها منتشر میشوند.
memory و دیتا ها در مغز به صورت رمزگذاری شده و در ارتباطات سیناپس بین نورون ها، در شبکه عصبی ذخیرهسازی میشوند [۳] تحقیقات دانشمندان در آمریکا بر روی حافظه راه کارهایی را برای پاک کردن و نوشتن مجدد memory خاصی در مغز را تا حدود زیادی ممکن کرده [۴] همچنین در تحقیقات اخیر این احتمال نسبتا ممکن شده که برای افراد تازهکار مهارتهای افراد با تجربه بالا را در مغزشان با استفاده از (جریانهای پایین الکتریکی) آپلود کرد. افراد مورد ازمایش در طی ان تحقیقات, در طول آزمایش کنترل هواپیما در مدت خیلی کوتاهی عملکردشان به خوبی افرادی که سالها در خلبانی تجربه داشته اند شده است [۵]
سلول های نورون قابلیت تکثیر را ندارند و اکثر نورونها در ماههای اول تولد تا حدود ۱۸ ماهگی ایجاد میشوند و بعد از جابجا شدن در مغز و پیدا کردن جای خود در مغز مسیر تکامل را می پیماینند؛ و عموماً تا آخر عمر همراه فرد خواهند بود (البته در پیری برخی از ارتباطات ضعیف میشوند یا از بین میرود یا برخی از نورونها میمیرند که سبب بیماریهایی نظیر فراموشی و . . . میگردد). [۶]
سلولهای Glial
نوروگلیها یا پیچسبها یا یاختههای گلیال، یاختههای پشتیبان دستگاه عصبی هستند که وظیفه حمایت از یاختههای عصبی را بر عهده دارند. یاختههای گلیال سیستم عصبی مرکزی را به هم پیوند داده و به طریق فیزیکی و شیمیایی از آن محافظت میکنند. علاوه بر این مواد شیمیایی و غذایی مورد نیاز یاختههای عصبی را فراهم میآورند. وظایف این سلولهای غیر نورون در مغز
- اطراف نورونها را گرفته و آنها را در محل نگه میدارند
- برای تأمین مواد مغزی و اکسیژن به سلولهای نورون
- عایق بندی و جدا نگه داشتن نورونها از یکدیگر
- برای از بین بردن عوامل بیماری زا و حذف نورونهای مرده
برای مدتها باور بر این بود که سلولهای Glial تأثیری در سیستم neuroTransmission " انتقال عصبی " ندارند ولی یافتههای neuroscience در قرن ۲۱ تشخیص دادند که این سلولها در بخشهایی از فرایندهای فیزیولوژیکی خاصی شبیه تنفس تأثیر گذارند و همچنین به نورونها در ایجاد ارتباطات سیناپس بین یکدیگر کمک میکنند.
معرفی شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سامانه پردازشی دادهها است که از مغز انسان ایده گرفته و پردازش دادهها را به عهدهٔ پردازندههای کوچک و بسیار زیادی سپرده که به صورت شبکهای به هم پیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. در این شبکهها به کمک دانش برنامهنویسی، ساختار دادهای طراحی میشود که میتواند همانند نورون عمل کند؛ که به این ساختارداده نورون گفته میشود. بعد باایجاد شبکهای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند.
در این حافظه یا شبکهٔ عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گرهها) دارای یک وزن میباشد. یالهای با وزن مثبت، موجب تحریک یا فعال کردن گره غیرفعال بعدی میشوند و یالهای با وزن منفی، گره متصل بعدی را غیرفعال یا مهار (در صورتی که فعال بوده باشد) میکنند.
تحقیقات اخیر
در تاریخ Dec 17, 2009 ابر کامپیوتر (supercomputer) شرکت IBM در آمریکا توانست در حدود billion 1 (میلیارد) نورون را با حدود 10 trillion سیناپس مصنوعی شبیهسازی کند که این نشان دهنده این واقعیت هست که نورونهای مصنوعی به سیستمهای قدرتمندی برای اجرا نیاز دارند و برای شبیهسازی مغز انسان احتمالاً به کامپیوتر کوانتومی نیاز خواهد بود. همچنین با دانستن این موضوع که مورچه ۲۵۰٬۰۰۰ نورون و زنبور در حدود ۹۶۰٬۰۰۰ و گربه ۷۶۰٬۰۰۰٬۰۰۰ نورون و در حدود 1013 سیناپس دارد میشود نتیجه گرفت که با supercomputerهای کنونی تا حدودی بشه این موجودات را شبیهسازی کرد. (لیست موجودات مختلف بر اساس تعداد نورونها و سیناپسها) البته باید مد نظر داشت که برخی از موجودات از هوش جمعی استفاده میکنند و شبیهسازی تکی انها نمی تواند کافی باشد. ) [5.1]
در تاریخ Dec 9, 2014 شرکت IBM از تراشه SyNAPSE خود رونمایی کرد. این چیپ که با سرمایهگذاری DARPA (سازمان پروژههای تحقیقاتی پیشرفتهٔ دفاعی ایالت متحده) به بهرهبرداری رسیده، به گونهای طراحی شده که فعالیتهای مغز انسان را شبیهسازی کند و به طور کلی از چارچوب منطق بولین و باینری خارج شود. این تراشه متشکل از ۱ میلیون نورون مجازی است که با استفاده از ۲۵۶ میلیون سیناپس مجازی به یکدیگر متصل شدهاند. سیناپس بزرگترین تراشهای است که شرکت IBM تاکنون تولید کرده است، چراکه در آن ۵٫۴ میلیارد ترانزیستور استفاده شده است. همچنین مجموعهٔ ترانزیستورهای مورد استفاده متشکل از ۴٫۰۹۶ هستهٔ neuroSynaptic است که روی تراشه قرار گرفتهاند. مصرف این تراشه تنها ۷۰ میلیوات mW است که در مقایسه با تراشههای کنونی بسیار کمتر است. en:List of CPU power dissipation figures از نظر مقیاس، تراشهٔ سیناپس برابر با مغز یک زنبور عسل است و تعداد نئورونها و سیناپسهای مورد استفاده با آن برابری میکند، با این وجود این تراشه بسیار ضعیفتر از مغز انسانها است. مغز هر انسان از حدود ۸۶ میلیارد نورون و ۱۰۰ تریلیوین سیناپس تشکیل شده است. البته تیم توسعهٔ SyNAPSE نشان داده که میتوان با اتصال تراشههای سیناپس به یکدیگر، تراشهٔ بزرگتر و قویتری ساخت.
در حال حاضر IBM موفق شده یک بورد قابل برنامهریزی و کارآمد با استفاده از ۱۶ عدد چیپ SyNAPSE ایجاد نماید که همگی در هماهنگی کامل با یکدیگر فعالیت میکنند. این بورد نمایانگر قدرت ۱۶ میلیون نورون است که بنا بر گفتهٔ محققان این پروژه، در پردازش سنتی با استفاده از تعداد زیادی رک (مکان قرارگیری چندین کامپیوتر پر قدرت بزرگ) و مجموعههای عظیم کامپیوتری قابل دستیابی بود؛ و با وجود مجتمع نمودن ۱۶ چیپ در یک سیستم، باز هم با مصرف نیروی به شدت پایینی روبرو هستیم که در نتیجهٔ آن حرارت بسیار پایینتری نیز تولید میشود. در حقیقت چیپ SyNAPSE جدید آنچنان انقلابی بوده و دنیای پردازش را از نگرش دیگری نمایان میسازد که IBM مجبور شده برای همراهی با توسعهٔ آن به ایجاد یک زبان برنامهنویسی جدید بپردازد و یک برنامهٔ آموزشی گستردهٔ اطلاعرسانی تحت نام دانشگاه SyNAPSE راهاندازی کند.[۷][۸]
در تاریخ March 16, 2016 شرکت Google بخش DeepMind توانست توسط هوش مصنوعی خود قهرمان جهان را در بازی GO (شطرنج چینی با قدمتی بیش از ۲۵۰۰ سال ) با نتیجه ۴ به ۱ شکست دهند که این دستاورد بزرگی برای هوش مصنوعی بود. گوگل در این هوش مصنوعی از تکنولوژی Deep Learning و short-term memory بهره برده است و این سیستم به نوعی مشابه Turing Machine هست اما به صورت end-to-end دارای تفاوتهای قابل تشخیص میباشد و این تکنولوژیها به اون اجازه داده است که با gradient descent به صورت مؤثری قابل تعلیم باشد. در DeepMind محققان گوگل مجموعهای از حرکتهای بهترین بازکنان گو را که شامل بیش از ۳۰ میلیون حرکت است، جمعآوری کرده و سیستم هوش مصنوعی مبتنی بر یادگیری عمیق خود را با استفاده از این حرکات آموزش دادهاند تا از این طریق آلفاگو قادر باشد به تنهایی و براساس تصمیمات خود به بازی بپردازد. همچنین دانشمندان برای بهبود هر چه بیشتر این سیستم راهحل تقابل هوش مصنوعی توسعه یافته با خودش را در پیش گرفتند؛ با استفاده از این روش، دانشمندان موفق شدند تا حرکات جدیدی را نیز ثبت کنند و با استفاده از این حرکات آموزش هوش مصنوعی را وارد مرحلهٔ جدیدتری نمایند. چنین سیستمی قادر شده تا بهترین بازیکن اروپا و جهان را شکست دهد. بزرگترین نتیجهٔ توسعهٔ آلفاگو، عدم توسعهٔ این سیستم با قوانین از پیش تعیین شده است. در عوض این سیستم از روشهای مبتنی بر یادگیری ماشین و شبکه عصبی توسعه یافته و تکنیکهای برد در بازی گو را به خوبی یادگرفته و حتی میتواند تکنیکهای جدیدی را ایجاد و در بازی اعمال کند. کریس نیکولسون، مؤسس استارت آپ Skymind که در زمینهٔ تکنولوژیهای یادگیری عمیق فعالیت میکند، در این خصوص این چنین اظهار نظر کرده است: " از سیستمهای مبتنی بر شبکهٔ عصبی نظیر آلفاگو میتوان در هر مشکل و مسئلهای که تعیین استراتژی برای رسیدن به موفقیت اهمیت دارد، استفاده کرد. کاربردهای این فناوری میتواند از اقتصاد، علم یا جنگ گسترده باشد. "
اهمیت برد آلفاگو :در ابتدای سال ۲۰۱۴ میلادی، برنامهٔ هوش مصنوعی Coulom که Crazystone نام داشت موفق شد در برابر نوریموتو یودا، بازیکن قهار این رشتهٔ ورزشی پیروز شود؛ اما موضوعی که باید در این پیروزی اشاره کرد، انجام ۴ حرکت پی در پی ابتدایی در این رقابت توسط برنامهٔ هوش مصنوعی توسعه یافته بود که برتری بزرگی در بازی گو به شمار میرود. در آن زمان Coulom پیشبینی کرده بود که برای غلبه بر انسان، نیاز به یک بازهٔ زمانی یک دههای است تا ماشینها بتوانند پیروز رقابت با انسانها در بازی GO باشند. چالش اصلی در رقابت با بهترین بازیکنهای گو، در طبیعت این بازی نهفته است. حتی بهترین ابررایانههای توسعه یافته نیز برای آنالیز و پیشبینی نتیجهٔ حرکتهای قابل انجام از نظر قدرت پردازشی دچار تزلرل شده و نمیتوانند قدرت پردازشی مورد نیاز را تأمین کنند. در واقع نیروی پردازشی این رایانهها مناسب نبوده و در نتیجه زمان درازی را برای ارائهٔ نتیجهٔ قابل قبول مورد نیاز است. زمانی که ابررایانهٔ موسوم به Deep Blue که توسط IBM توسعه یافته بود، موفق شد تا در سال ۱۹۹۷، گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد، بسیاری به قدرت این ابررایانه پی بردند؛ چراکه این ابررایانه با قدرت زیادی کاسپاروف را شکست داد. علت پیروزی قاطع این Deep Blue، قدرت بالای این ابررایانه در کنار قدرت تحلیل و نتیجهگیری از هر حرکت احتمالی ممکن در بازی بود که تقریباً هیچ انسانی توانایی انجام آن را ندارد. اما چنین پیشبینیهایی در بازی GO ممکن نیست. براساس اطلاعات ارائه شده در بازی شطرنج که در صفحهای ۸ در ۸ انجام میشود، در هر دور، بصورت میانگین میتوان ۳۵ حرکت را انجام داد، اما در بازی گو که بین دو نفر در تختهای به بزرگی ۱۹ در ۱۹ خانه انجام میشود، در هر دور بصورت میانگین میتوان بیش از ۲۵۰ حرکت انجام داد. هر یک از این ۲۵۰ حرکت احتمالی نیز در ادامه ۲۵۰ احتمال دیگر را در پی دارند؛ که می شه نتیجه گرفت که در بازی گو، به اندازهای احتمال حرکات گسترده است که تعداد آن از اتمهای موجود در جهان هستی نیز بیشتر است.
تلاشهای پیشین: در سال ۲۰۱۴ محققان در DeepMind، دانشگاه ادینبورگ و facebook امیدوار بودند تا با استفاده از شبکههای عصبی، سیستمهایی مبتنی بر شبکههای عصبی توسعه دهند که قادر باشد تا با نگاه کردن به تختهٔ بازی، همچون انسانها به بازی بپردازند. محققان در فیسبوک موفق شدهاند تا با کنار هم قراردادن تکنیک درخت مونت کارلو و یادگیری عمیق، شماری از بازیکنان را در بازی گو شکست دهد. البته سیستم فیسبوک قادر به برد در برابر CrazyStone و سایر بازیکنان شناخته شدهٔ این رشتهٔ ورزشی نشد.
سختافزار مورد نیاز سیستم یادگیری عمیق دیپ مایند: براساس اطلاعات ارائه شده، سیستم DeepMind قادر است روی رایانهای با چند پردازندهٔ گرافیکی نیز به خوبی کار کند؛ اما در مسابقهای که آلفاگو در برابر فان هوی برگزار کرد، این سیستم مبتنی بر شبکهٔ عصبی از وجود شبکههای از رایانهها بهره میبرد که شامل بیش از ۱۷۰ پردازندهٔ گرافیکی Nvidia و ۱٬۲۰۰ پردازنده بود. [۹]
در تاریخ October 4, 2016 شرکت Google از نوعی رباتیک ابری رونمایی کرد که در ان شبکه های عصبی روبات ها قادر به به اشتراک گذاشتن یادگیری هایشان با یکدیگر بودند. که این عمل باعث کاهش زمان مورد نیاز برای یادگیری مهارت ها توسط ربات ها می شود و به جای اینکه هر ربات به شکل جداگانه عمل کند، رباتها تجربههای خود را به صورت جمعی در اختیار یکدیگر قرار میدهند. برای مثال یک ربات به ربات دیگر آموزش میدهد که چطور کار سادهای مانند در باز کردن را انجام دهد یا جسمی را جابهجا کند و در فواصل زمانی معین، رباتها آنچه را که یاد گرفتهاند به سرور آپلود میکنند. ضمن این که آخرین نسخه از یادگیری آن موضوع را هم دانلود میکنند تا به این وسیله هر ربات به تصویر جامعتری از تجربههای فردی خود دست پیدا کند.
در شروع یادگیری رفتار هر ربات از منظر ناظر خارجی کاملا تصادفی است. اما پس امتحان کردن راه حلهای مختلف توسط ربات , هر ربات یاد خواهند گرفت که چطور راه حل نزدیکتر به هدف را انتخاب کند و به این ترتیب، تواناییهای ربات به طور مستمر بهبود پیدا خواهد کرد. حال آنکه در روش رباتیک ابری , رباتها بهتر میتوانند به شکل هم زمان یاد بگیرند و یادگیری خود را با یکدیگر به اشتراک بگذارند. از این رو ربات های جمعی میتوانند عملکرد سریع تر و بهتری نسبت به یک ربات تنها نشان دهند و افزایش سرعت این روند، میتواند عملکرد رباتها را در انجام کارهای پیچیده بهود بخشد. [۱۰]
تاریخچه شبکههای عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیهسازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکههای عصبی مصنوعی است. این مدل فرضیههایی در مورد عملکرد نورونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته میشود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیهسازی شبکههای عصبی تأثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.
سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای سادهای تشکیل شده بود، روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیتهای سامانههای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایهگذاری برای تحقیقات در زمینه شبیهسازی شبکههای عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسئله جالبی نمیباشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایهگذاریهای موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکهای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکههای ART را بنانهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار (Back Propagation) خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفتهایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند، از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشتههای متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شدهاست.
چرا از شبکههای عصبی استفاده میکنیم
شبکههای عصبی با توانایی قابل توجه خود در استنتاج نتایج از دادههای پیچیده میتوانند در استخراج الگوها و شناسایی گرایشهای مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکههای عصبی میتوان موارد زیر را نام برد:
- یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
- خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه دادههایی که در طول آموزش دریافت کرده را انجام دهد. نورونها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر مییابد.
- عملگرهای بیدرنگ: محاسبات در شبکه عصبی مصنوعی میتواند به صورت موازی و به وسیله سختافزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیتهای شبکه عصبی مصنوعی است انجام شود.
- تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش مییابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ میشود.
- دستهبندی: شبکههای عصبی قادر به دستهبندی ورودیها بر ای دریافت خروجی مناسب میباشند.
- تعمیم دهی: این خاصیت شبکه را قادر میسازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموختهها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بینهایت واقعیتها و روابط را به خاطر بسپارد.
- پایداری-انعطافپذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.
شبکههای عصبی در مقایسه با کامپیوترهای سنتی
یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد:
- شبکههای عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظهای برای نگهداری داده و دستورالعمل نیستند.
- به مجموعهای از ورودیها به صورت موازی پاسخ میدهند.
- بیشتر با تبدیلات و نگاشتها سروکار دارند تا الگوریتمها و روشها.
- شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام میدهند تشکیل شدهاند.
شبکههای عصبی شیوهای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده میکنند که برای حل مسئله مجموعهای از دستورالعملهای بدون ابهام دنبال میشود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن میباشد تبدیل میشوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها میتوانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینهای از آنها نداریم انجام دهند. شبکههای عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه میتوانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همینطور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمیباشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روشهای فوق استفاده میکنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده میشود. شبکههای عصبی معجزه نمیکنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام میدهند.
نورون مصنوعی
یک نورون مصنوعی سامانهای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت میباشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یادمیگیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه میشود. اگر ورودی جزء ورودیهای از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیمگیری میکند.
از نورونهای انسان تا نورون مصنوعی
با کنار گذاشتن برخی از خواص حیاتی نورونها و ارتباطات درونی آنها میتوان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیهسازی کرد.
ساختار شبکههای عصبی
یک شبکه عصبی شامل اجزای سازنده لایهها و وزنها میباشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکههای عصبی سه نوع لایه نورونی وجود دارد:
- لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شدهاست.
- لایههای پنهان: عملکرد این لایهها به وسیله ورودیها و وزن ارتباط بین آنها و لایههای پنهان تعیین میشود. وزنهای بین واحدهای ورودی و پنهان تعیین میکند که چه وقت یک واحد پنهان باید فعال شود.
- لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی میباشد.
شبکههای تک لایه و چند لایهای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهیهای چند لایه دارد. در شبکههای چند لایه واحدها به وسیله لایهها شماره گذاری میشوند (به جای دنبال کردن شماره گذاری سراسری).
هر دو لایه از یک شبکه به وسیله وزنها و در واقع اتصالات با هم ارتباط مییابند. در شبکههای عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنالها تنها در یک جهت حرکت میکنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تأثیری ندارد.
- پسرو: دادهها از گرههای لایه بالا به گرههای لایه پایین بازخورانده میشوند.
- جانبی: خروجی گرههای هر لایه به عنوان ورودی گرههای همان لایه استفاده میشوند.
تقسیمبندی شبکههای عصبی
بر مبنای روش آموزش به چهار دسته تقسیم میشوند:
- وزن ثابت: آموزشی در کار نیست و مقادیر وزنها به هنگام نمیشود. کاربرد: بهینهسازی اطلاعات (کاهش حجم، تفکیکپذیری و فشرده سازی) و حافظههای تناظری
- آموزش بدون سرپرست: وزنها فقط بر اساس ورودیها اصلاح میشوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزنها اصلاح شود. وزنها فقط بر اساس اطلاعات الگوهای ورودی به هنگام میشوند. هدف استخراج مشخصههای الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دستهبندی و تشخیص شباهتها (تشکیل گروههایی با الگوی مشابه) میباشد، بدون اینکه خروجی یا کلاسهای متناظر با الگوهای ورودی از قبل مشخص باشد. این یادگیری معمولاً بر پایه شیوه برترین هم خوانی انجام میگیرد. شبکه بدون سرپرست وزنهای خود را بر پایه خروجی حاصل شده از ورودی تغییر میدهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یادمیگیرد چگونه به ورودی پاسخ بدهد. اصولاً هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکههای بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.
- آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجیهای متناظر نیز به شبکه نشان داده میشود و تغییر وزنها تا موقعی صورت میگیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجیهای مطلوب در حد خطای قابل قبولی باشد. در این روشها یا از خروجیها به وزنها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شدهاست و وزنها اصلاح میشوند. هدف طرح شبکهای است که ابتدا با استفاده از دادههای آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلاً فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکهای به طور گسترده برای کارهای تشخیص الگو به کار گرفته میشود.
- آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود مییابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست میآید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
کاربرد شبکههای عصبی
شبکههای عصبی مصنوعی دارای دامنه کاربرد وسیعی میباشند از جمله سامانههای آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانههای تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرایندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مینهای زیردریایی، تشخیص اشیاء سه بعدی و دست نوشتهها و چهره و... در کل میتوان کاربردهای شبکههای عصبی را به صورت زیر دستهبندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی میکند)، خوشه یابی، دستهبندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلاً به شبکه آموزش داده نشده)، بهینهسازی. امروزه شبکههای عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست میشود و نیز مسائل دستهبندی مانند دستهبندی متون یا تصاویر، به کار میروند. در کنترل یا مدل سازی سامانههایی که ساختار داخلی ناشناخته یا بسیار پیچیدهای دارند نیز به صورت روزافزون از شبکههای عصبی مصنوعی استفاده میشود. به عنوان مثال میتوان در کنترل ورودی یک موتور(کنترلکننده موتور) از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. کاربرد مناسب تر شبکه عصبی (در مقایسه با روشهایی از قبیل PID)برای کنترل یک سیستم دور موتور در برابر تغییرات ناگهانی بار و زمان پاسخ دهی نیز مطرح شده است,[۱],[۲][۳]
معایب شبکههای عصبی
با وجود برتریهایی که شبکههای عصبی نسبت به سامانههای مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:
- قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
- در مورد مسائل مدل سازی، صرفاً نمیتوان با استفاده از شبکه عصبی به فیزیک مسئله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیرممکن است.
- دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
- آموزش شبکه ممکن است مشکل ویا حتی غیرممکن باشد.
- پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکانپذیر نیست.
انواع شبکههای عصبی مصنوعی
- Dynamic Neural Network
- Feedforward neural network FNN
- Recurrent neural network RNN
- RNN تکنولوژی speech recognition و handwriting recognition را ممکن کرد.
- Hopfield network
- Boltzmann machine
- Simple recurrent networks
- Echo state network
- Long short term memory network
- Bi-directional RNN
- Hierarchical RNN
- Stochastic neural networks
- RNN تکنولوژی speech recognition و handwriting recognition را ممکن کرد.
- Kohonen Self-Organizing Maps
- Autoencoder
- Backpropagation
- probabilistic neural network PNN
- Time delay neural network TDNN
- Static Neural Network
- Memory Network
- Google / Deep Mind
- facebook / MemNN
- Holographic associative memory
- One-shot associative memory
- Neural Turing Machine
- Adaptive resonance theory
- Hierarchical temporal memory
- Other types of networks
- Instantaneously trained networks ITNN
- Spiking neural networks SNN
- Pulse Coded Neural Networks PCNN
- Cascading neural networks
- Neuro-fuzzy networks
- Growing Neural Gas GNG
- Compositional pattern-producing networks
- Counterpropagation network
- Oscillating neural network
- Hybridization neural network
- Physical neural network
لیست کامل انواع شبکههای عصبی در Types of artificial neural networks
جستارهای وابسته
- نرمافزارهای شبکه عصبی
- نورون (Neuron)
- پروژه Blue Brain
- علوم شناختی (Cognitive science)
- رمز گذاری نورون (Neural coding)
- بینایی کامپیوتر (computer vision)
- یادگیری ماشین (machine learning)
- شبکه عصبی کوانتومی (Quantum neural network)
- سیستمهای خودآگاه (Artificial consciousness)
- رابط نورونی مستقیم (Direct Neural Interface)
- تعداد نورونها در موجودات مختلف
- DNA محاسباتی
- علوم اعصاب محاسباتی
- آپلود مغز (Mind uploading)
- خود آگاهی
منابع
نگارخانه
منابع
- شبکه عصبی مصنوعی
- آموزش شبکه عصبی با متلب
- List of machine learning concepts
- Facebook AI Research (شبکه ی حافظه / Memory Networks منبع ) [۱۱]
- Google/Deep Mind (گوگل دیپ مایند ←شبکههای عصبی deep learning با حافظه کوتاه مدت)[۱۲]
- مغز انسان پراکندگی درصدی نورونها در مغز
- برخی از کتابها در این زمینه:
- Artificial Intelligence - A Modern Approach pdf
- Rolf Pfeifer & Christian Scheier Understanding Intelligence pdf
- Static And Dynamic Neural Networks - From Fundamental to Advanced Theory pdf