Nieuw hersenleermechanisme vraagt ​​om herziening van lang gekoesterde neurowetenschapshypothese

Datum: 1 mei 2022
Bron: Bar-Ilan Universiteit

Slechts één enkel neuron kan deep learning-algoritmen realiseren, waarvoor voorheen een kunstmatig complex netwerk nodig was dat bestond uit duizenden verbonden neuronen. Deze ontdekking zal naar verwachting belangrijke implicaties hebben voor toekomstige AI-hardware.

De hersenen zijn een complex netwerk met miljarden neuronen. Elk van deze neuronen communiceert gelijktijdig met duizenden andere via hun synapsen (links), en verzamelt binnenkomende signalen via verschillende extreem lange, vertakte “armen”, dendritische bomen genoemd.

De afgelopen 70 jaar is een kernhypothese van de neurowetenschap geweest dat het leren van de hersenen plaatsvindt door de kracht van de synapsen te wijzigen, volgens de relatieve vuuractiviteit van hun verbindende neuronen. Deze hypothese is de basis geweest voor machine- en deep learning-algoritmen die in toenemende mate bijna alle aspecten van ons leven beïnvloeden. Maar na zeven decennia wordt deze langdurige hypothese nu in twijfel getrokken.

In een artikel dat in Scientific Reports is gepubliceerd , onthullen onderzoekers van de Bar-Ilan University in Israël dat de hersenen totaal anders leren dan sinds de 20e eeuw werd aangenomen. De nieuwe experimentele waarnemingen suggereren dat leren voornamelijk wordt uitgevoerd in neuronale dendritische bomen, waar de stam en takken van de boom hun kracht wijzigen, in tegenstelling tot alleen de kracht van de synapsen (dendritische bladeren), zoals eerder werd gedacht. Deze waarnemingen geven ook aan dat het neuron eigenlijk een veel complexer, dynamischer en computationeel element is dan een binair element dat kan vuren of niet. Slechts één enkel neuron kan deep learning-algoritmen realiseren, waarvoor voorheen een kunstmatig complex netwerk nodig was dat bestond uit duizenden verbonden neuronen en synapsen.

“We hebben aangetoond dat efficiënt leren op dendritische bomen van een enkel neuron kunstmatig succespercentages kan bereiken die de eenheid benaderen voor handgeschreven cijferherkenning. Deze bevinding maakt de weg vrij voor een efficiënt biologisch geïnspireerd nieuw type AI-hardware en -algoritmen”, zei prof. Ido Kanter, van Bar-Ilan’s Department of Physics en Gonda (Goldschmied) Multidisciplinair Brain Research Center, die het onderzoek leidde. “Dit vereenvoudigde leermechanisme vertegenwoordigt een stap in de richting van een plausibele biologische realisatie van backpropagation-algoritmen, die momenteel de centrale techniek in AI zijn”, voegde Shiri Hodassman, een promovendus en een van de belangrijkste bijdragers aan dit werk, toe.

Het efficiënte leren van dendritische bomen is gebaseerd op het experimentele bewijs van Kanter en zijn onderzoeksteam voor subdendritische aanpassing met behulp van neuronale culturen, samen met andere anisotrope eigenschappen van neuronen, zoals verschillende piekgolfvormen, refractaire perioden en maximale transmissiesnelheden.

De klok van de hersenen is een miljard keer langzamer dan bestaande parallelle GPU’s, maar met vergelijkbare succespercentages bij veel perceptuele taken.

De nieuwe demonstratie van efficiënt leren op dendritische bomen vraagt ​​om nieuwe benaderingen in hersenonderzoek, evenals voor het genereren van tegenhanger-hardware die gericht is op het implementeren van geavanceerde AI-algoritmen. Als men langzame hersendynamiek op ultrasnelle computers kan implementeren, is de sky de limit.