Динамические нейронные сети. Ассоциативность

Наиболее просты для понимания и моделирования нейронные сети, в которых информация последовательно распространяется от слоя к слою. Подав сигнал на вход, можно так же последовательно рассчитать состояние каждого из слоев. Эти состояния можно трактовать как набор описаний входного сигнала. Пока не изменится входной сигнал, останется неизменным и его описание.

Более сложная ситуация возникает, если ввести в нейронную сеть обратные связи. Чтобы рассчитать состояние такой сети, уже недостаточно одного прохода. Как только мы изменим состояние сети в соответствии с входным сигналом, обратные связи изменят входную картину, что потребует нового пересчета состояния всей сети, и так далее.

Идеология рекуррентной сети зависит от того, как соотносится задержка обратной связи и интервал смены образов. Если задержка много меньше интервала смены, то нас, скорее всего, интересуют только конечные равновесные состояния, и промежуточные итерации стоит воспринимать, как исключительно расчетную процедуру. Если же они сопоставимы, то на первый план выходит именно динамика сети.

Ф. Розенблатт описал многослойные персептроны с перекрестными связями и показал, что они могут быть использованы для моделирования избирательного внимания и воспроизведения последовательности реакций (Rosenblatt, Principles of Neurodynamic: Perceptrons and the Theory of Brain Mechanisms, 1962).

В 1982 году Джон Хопфилд предложил конструкцию нейронной сети с обратными связями такую, что ее состояние может быть определено, исходя из расчета минимума функционала энергии (Hopfield, 1982). Оказалось, что сети Хопфилда обладают замечательным свойством – они могут использоваться как память, адресуемая по содержанию.

Сеть Хопфилда

Сигналы в сети Хопфилда принимают спиновые значения {-1, 1}. Обучение сети – это запоминание нескольких образов Xi. Запоминание происходит за счет настройки весов так, чтобы:

Xi=WXi

Что приводит к алгоритму, который простым неитерационным расчетом позволяет определить параметры сети:

ω ji=1N∑ k=1,, mxikxjk

Где ω – матрица, составленная из весов нейронов, а m – количество запоминаемых образов. Диагональ матрицы ω полагается нулевой, что означает отсутствие влияния нейронов на самих себя. Веса, заданные таким образом, определяют устойчивые состояния сети, соответствующие запомненным векторам.

Функция активации нейронов имеет вид:

ai=∑ jω jiyi⋅ → yi={1, − 1, ai≥ 0ai< 0

Входной образ присваивается сети, как начальное приближение. Затем начинается итерационная процедура, которая, если повезет, сходится к устойчивому состоянию. Таким устойчивым состоянием, скорее всего, будет один из запомненных образов. Причем это будет образ, наиболее похожий на входной сигнал. Другими словами, образ ассоциативно с ним связанный.

Можно ввести понятие энергии сети, как:

E=12∑ i, j=1Nω ijxixj

Где N – количество используемых нейронов. Каждому запомненному образу в таком случае будет соответствовать локальный энергетический минимум.

Хотя сети Хопфилда и очень просты, они иллюстрирует три фундаментальных свойства мозга. Первое – это существование мозга в динамике, когда любые внешние или внутренние возмущения заставляют покинуть состояние текущего локального минимума энергии и перейти к динамическому поиску нового. Второе – это способность прийти к квазиустойчивому состоянию, определяемому предыдущей памятью. Третье – ассоциативность переходов, когда в смене описательных состояний постоянно прослеживается определенная обобщенная близость.

Как и сети Хопфилда, наша модель изначально динамична. Она не может существовать в статичном состоянии. Любая волна существует только в движении. Вызванная активность нейронов запускает волны идентификаторов. Эти волны вызывают активность паттернов, узнавших знакомые волновые сочетания. Паттерны запускают новые волны. И так без остановки.

Но динамика наших сетей принципиально отличается от динамики сетей Хопфилда. В традиционных сетях динамика сводится к итерационной процедуре схождения состояния сети к устойчивому состоянию. У нас же динамика сродни тем процессам, что протекают в алгоритмических компьютерах.

Волновое распространение информации – это механизм передачи данных. Динамика этой передачи – это не динамика итерационного схождения, а динамика пространственного распространения идентификационной волны. Каждый цикл распространения информационной волны меняет картину вызванной активности нейронов. Переход коры в новое состояние означает смену текущего описания и соответственно смену картины нашей мысли. Динамика этих изменений опять же не является некой итерационной процедурой, а формирует последовательность образов нашего восприятия и мышления.

Наша волновая модель значительно сложнее, чем простая динамическая сеть. Позже мы опишем достаточно много небанальных механизмов, регулирующих ее работу. Не удивительно, что и представление об ассоциативности в нашем случае оказывается сложнее, чем ассоциативность в сетях Хопфилда, и скорее напоминает концепции, свойственные компьютерным моделям представления данных.

В программировании под ассоциативностью понимается способность системы искать данные, похожие на образец. Например, если мы обращаемся к базе данных, указывая критерии запроса, то, по сути, мы хотим получить все элементы, похожие на образец, описываемый этим запросом.

На компьютере решить задачу ассоциативного поиска можно простым перебором с проверкой всех данных на соответствие критериям поиска. Но полный перебор трудоемок, гораздо быстрее поиск осуществляется, если данные заранее подготовлены так, что позволяют быстро формировать выборки, удовлетворяющие определенным критериям. Например, поиск в адресной книге можно значительно ускорить, если создать оглавление по первой букве.

Подготовленная должным образом память называется ассоциативной. Практическая реализация ассоциативности может использовать таблицы индексов, хэш-адресацию, бинарные деревья и тому подобные инструменты.

Независимо от реализации, ассоциативный поиск требует задания критериев похожести или близости. Как мы уже говорили, основные виды близости – это близость по описанию, близость по совместному проявлению и близость по общему явлению. Первая говорит о похожести по форме, остальные о сходстве по некой сути. Это напоминает поиск товара в Интернет-магазине. Если вы введете название, то получите список товаров, названия которых будут близки к заданному. Но кроме этого вы, скорее всего, получите еще один список, который будет называться, что-то вроде: «те, кто ищут этот товар, часто обращают внимание на…». При этом элементы второго списка могут по своим описаниям никак не походить на описание, сформулированное исходным запросом.

Посмотрим, как рассуждения об ассоциативности применимы к понятиям, используемым в нашей модели. Понятие у нас – это набор паттернов нейронов-детекторов, настроенных на один и тот же образ. Очень похоже, что одному паттерну соответствует отдельная кортикальная миниколонка. Образ – это определенное сочетание сигналов на рецептивном поле нейронов. На сенсорных зонах коры образ может быть сформирован сигналами топографической проекции. На более высоких уровнях образ – это узор активности, возникающий вокруг нейрона, при прохождении мимо него волны идентификаторов.

Для перехода нейрона в состояние вызванной активности требуется чтобы образ достаточно точно совпал с картиной весов на его синапсах. Так если нейрон настроен на детектирование определенного сочетания понятий, то волновой идентификатор должен содержать существенную часть идентификаторов каждого из них.

Срабатывание нейрона, когда повторяется большая часть понятий, составляющих его характерный стимул, называется узнаванием. Узнавание и связанная с ним вызванная активность не дают обобщенной ассоциативности. В таком режиме нейрон не реагирует ни на понятия, имеющие временную близость, ни на понятия, хотя и входящие в описание характерного для нейрона стимула, но встретившиеся отдельно от остального описания.

Нейроны, которые мы используем в нашей модели, и которые мы сравниваем с реальными нейронами мозга, способны хранить информацию не только за счет изменения синаптических весов, но и благодаря изменениям в метаботропных рецептивных кластерах. За счет последних нейроны способны запоминать фрагменты картин окружающей активности. Повторение такой запомненной картины не ведет к появлению вызванной активности нейрона, состоящей из серии импульсов, а вызывает единичный спайк. Запомнит или нет нейрон что-либо таким образом определяется рядом факторов один из которых — изменение мембранного потенциала этого нейрона. Увеличение мембранного потенциала вызывает расхождение расщепленных концов метаботропных рецепторов, что заставляет их обрести необходимую для запоминания чувствительность.

Когда нейрон узнает характерный образ и переходит в состояние вызванной активности, его мембранный потенциал существенно повышается, что дает ему возможность запоминать на внесинаптической части мембраны окружающие его картины активности.

Можно предположить, что в момент вызванной активности нейрон запоминает все окружающие его волновые узоры. Такая операция имеет вполне определенный смысл. Предположим, что мы имеем полное описание происходящего, складывающееся из большого числа понятий. Часть из них позволит нейрону узнать то понятие, детектором которого является его паттерн (миниколонка). Узнавание обеспечит этому понятию участие в общем описании. При этом на нейронах, ответственных за само понятие зафиксируется, какие еще понятия входили в полную описательную картину.

Эта фиксация произойдет на всех нейронах, составляющих наш детекторный паттерн (миниколонку). Регулярное повторение такой процедуры приведет к накоплению на поверхности нейронов-детекторов рецептивных кластеров, чувствительных к определенным сочетаниям идентификаторов.

Можно предположить, что чем чаще какое-либо понятие будет встречаться совместно с активностью детекторного паттерна, тем выше будет вероятность того, что его самостоятельное появление будет определяться внесинаптическими рецепторами и вызывать единичный спайк. То есть если между понятиями присутствует совместность в проявлении, то нейроны одного понятия будут реагировать одиночным спайком, когда в волновом описании будет появляться другое ассоциативно связанное с ним понятие.

Одновременный одиночный спайк нейронов одного детекторного паттерна – это основание для запуска соответствующей идентификационной волны. Получается, что задав одно понятие и распространив его волновой идентификатор можно получить в волновом описании набор понятий, ассоциативно с ним связанных. Это можно сопоставить с тем, как база данных по запросу выдает список всех записей, попадающих под критерии этого запроса. Получив список от базы данных, мы используем дополнительные алгоритмы, чтобы продолжить работу с этим списком. Аналогично можно представить и работу мозга. Получение доступа к ассоциациям – это только один из этапов его работы. На активность нейронов можно наложить дополнительные ограничения, которые позволят только части ассоциаций пробиться в волновое описание. Суть этих дополнительных ограничений во многом и определяет информационные процедуры, свойственные мышлению.

Следы памяти

Энграммой называют те изменения, что происходят с мозгом в момент запоминания. Другими словами, энграмма – это след памяти. Вполне естественно, что понимание природы энграмм воспринимается всеми исследователями как ключевая задача в изучении природы мышления.

В чем сложность этой задачи? Если взять обычную книгу или внешний компьютерный накопитель, то и то и другое можно назвать памятью. И то и другое хранит информацию. Но мало хранить. Чтобы информация стала полезной, надо уметь ее считывать и знать, как ей оперировать. И тут оказывается, что сама форма хранения информации тесно связана с принципами ее обработки. Одно во многом определяет другое.

Человеческая память – это не просто способность хранить большой набор разнообразных образов, но еще и инструмент, позволяющий быстро найти и воспроизвести уместное воспоминание. При этом кроме ассоциативного доступа к произвольным фрагментам нашей памяти мы умеем связывать воспоминания в хронологические цепочки, воспроизводя не единичный образ, а последовательность событий.

Уайлдер Грейвс Пенфилд получил заслуженное признание за свой вклад в изучение функций коры. Занимаясь лечением эпилепсий, он разработал методику операций на открытом мозге, по ходу которых использовалась электростимуляция, позволяющая уточнить эпилептический очаг. Возбуждая электродом различные участки мозга, Пенфилд фиксировал реакцию находящихся в сознании пациентов. Это позволило получить подробное представление о функциональной организации коры головного мозга (Пенфилд, 1950). Стимулирование некоторых зон, в основном височных долей, вызывало у пациентов яркие воспоминания, в которых прошедшие события всплывали в мельчайших подробностях. Причем повторное стимулирование одних и тех же мест вызывало одни и те же воспоминания.

Выявленная Панфилом четкая локализация в коре многих функций настроила на поиски таких же четко локализованных следов памяти. Кроме того, появление компьютеров и соответственно представления о том, как организованы физические носители компьютерной информации, стимулировали поиск чего-то похожего в структурах мозга.

В 1969 году Джерри Летвин сказал: «Если мозг человека состоит из специализированных нейронов, и они кодируют уникальные свойства различных объектов, то, в принципе, где-то в мозге должен быть нейрон, с помощью которого мы узнаем и помним свою бабушку». Формулировка «нейрон бабушки» закрепилась и часто всплывает, когда заходит разговор об устройстве памяти. Более того, нашлись и прямые экспериментальные подтверждения. Были обнаружены нейроны, реагирующие на определенные образы, например, четко узнающие конкретного человека или конкретное явление. Правда, при более детальных исследованиях оказалось, что обнаруженные «специализированные» нейроны реагируют не только на что-то одно, а на группы в некотором смысле близких образов. Так, выяснилось, что нейрон, реагировавший на Дженнифер Энистон, так же реагировал и на Лизу Кудроу, снимавшуюся вместе с Энистон в телесериале «Друзья», а нейрон, узнававший Люка Скайуокера, узнавал и мастера Йоду (Р. К. Квирога, К. Кох, И. Фрид, 2013).

Еще в первой половине двадцатого века Карл Лэшли поставил очень интересные опыты по локализации памяти. Сначала он обучал крыс находить выход в лабиринте, а затем удалял им различные части мозга и снова запускал в лабиринт. Так он пытался найти ту часть мозга, которая отвечает за память о полученном навыке. Но оказалось, что память в той или иной мере сохранялась всегда, несмотря на временами значительные нарушения моторики. Эти опыты вдохновили Карла Прибрама сформулировать ставшую широко известной и популярной теорию голографической памяти (Прибрам, 1971).

Принципы голографии, как и сам термин, придумал в 1947 году Денеш Габор, который получил за это Нобелевскую премию по физике 1971 года. Суть голографии в следующем. Если иметь источник света со стабильной частотой, то разделив его посредством полупрозрачного зеркала на два, мы получим два когерентных световых потока. Один поток можно направить на объект, а второй на фотографическую пластину.

Создание голограммы

В результате, когда отраженный от объекта свет достигнет фотографической пластины, он создаст с освещающим пластину потоком интерференционную картину.

Интерференционная картина, отпечатавшись на фотопластинке, сохранит информацию не только об амплитудных, но и о фазовых характеристиках светового поля, отраженного объектом. Теперь, если осветить ранее экспонированную пластину, то восстановится исходный световой поток, и мы увидим запомненный объект во всем его объеме.

Воспроизведение голограммы

Голограмма имеет несколько удивительных свойств. Во-первых, световой поток сохраняет объем, то есть, разглядывая фантомный объект под разными углами, можно увидеть его с разных сторон. Во-вторых, каждый участок голограммы содержит в себе информацию обо всем световом поле. Так, если мы разрежем голограмму пополам, то сначала мы увидим только половину объекта. Но если мы наклоним голову, то за краем оставшейся голограммы мы сможем разглядеть вторую «обрезанную» часть. Да, чем меньше фрагмент голограммы, тем ниже ее разрешающая способность. Но даже через маленький участок можно, как через замочную скважину, рассмотреть все изображение. Интересно, что если на голограмме будет лупа, то через нее можно будет рассматривать с увеличением другие запечатленные там объекты.

Применительно к памяти Прибрам сформулировал: «Сущность голографической концепции состоит в том, что образы восстанавливаются, когда их представительства в виде систем с распределенной информацией соответствующим образом приводятся в активное состояние» (Прибрам, 1971).

Упоминание о голографических свойствах памяти можно встретить в двух контекстах. С одной стороны, называя память голографической, подчеркивают ее распределенный характер и способность восстанавливать образы, используя только часть нейронов, подобно тому, как это происходит с фрагментами голограммы. С другой стороны, предполагают, что память, обладающая похожими на голограмму свойствами, опирается на те же физические принципы. Последнее означает, что поскольку в основе голографии лежит фиксация интерференционной картины световых потоков, то память, видимо, каким-то образом использует интерференционную картину, возникающую в результате импульсного кодирования информации. Ритмы мозга хорошо известны, а там, где колебания там и волны, а, следовательно, неизбежна и их интерференция. А значит, физическая аналогия выглядит вполне уместной и привлекательной.

Но интерференция штука тонкая, небольшие изменения частоты или фазы сигналов должны полностью менять ее картину. Однако мозг успешно работает и при существенной вариации его ритмов. Кроме того, попытки затруднить распространение электрической активности рассечением его участков и помещением слюды в места разрезов, накладыванием полосок золотой фольги для создания замыкания, созданием эпилептических очагов посредством инъекций алюминиевой пасты не нарушают слишком уж паталогически деятельность мозга (Прибрам, 1971).

Говоря о памяти, невозможно обойти стороной известные факты о связи памяти и гиппокампа. В 1953 году пациенту, которого принято называть H.M. (Henry Molaison), хирург удалил гиппокамп (W. Scoviille, B. Milner, 1957). Это была рискованная попытка вылечить сильную эпилепсию. Было известно, что удаление гиппокампа одного из полушарий действительно помогает при этой болезни. Учитывая исключительную силу эпилепсии у H.M., врач удалил гиппокамп с обеих сторон. В результате у H.M. полностью исчезла способность что-либо запоминать. Он помнил, что было с ним до операции, но все новое вылетало у него из головы, как только переключалось его внимание.

Henry Molaison

H.M. долго исследовался. По ходу этих исследований было проведено бесчисленное количество разных опытов. Один из них оказался особенно интересен. Пациенту предложили обвести пятиконечную звезду, глядя на нее в зеркало. Это не очень простое задание, вызывающее затруднение при отсутствии должного навыка. Задание давалось H.M. неоднократно и каждый раз он воспринимал его, как увиденное впервые. Но интересно, что с каждым разом выполнение задания давалось ему все легче и легче. Он сам при повторных опытах отмечал, что ожидал, что это окажется значительно сложнее.

Гиппокамп одного из полушарий

Кроме того, оказалось, что определенная память на события все-таки была присуща H.M. Так, например, он знал об убийстве Кеннеди, хотя оно и произошло уже после удаления у него гиппокампа.

Из этих фактов был сделан вывод, что существует как минимум два различных типа памяти. Один тип отвечает за фиксацию конкретных воспоминаний, а другой ответственен за получение некого обобщенного опыта, что выражается в знании распространенных фактов или приобретении определенных навыков.

Случай H.M. достаточно уникален. В других ситуациях, связанных с удалением гиппокампа, где не было такого полного двустороннего повреждения, как у H.M., нарушения памяти либо были не столь ярко выражены, либо отсутствовали вовсе (W. Scoviille, B. Milner, 1957).

Попробуем теперь сопоставить все описанное с нашей моделью. Мы показали, что устойчивые повторяющиеся явления формируют паттерны нейронов детекторов. Эти паттерны способны узнавать характерные для них сочетание признаков, и добавлять в волновую картину новые идентификаторы. Мы показали, как может происходить обратное воспроизведение признаков по идентификатору понятия. Это можно сопоставить с памятью об обобщенном опыте.

Но такая обобщенная память не позволяет воссоздать конкретные события. Если одно и то же явление повторяется в разных ситуациях, мы в нашей нейронной сети просто получаем ассоциативные связи между понятием, соответствующим явлению, и понятиями, описывающими эти обстоятельства. Используя эту ассоциативность, можно создать абстрактное описание, состоящее из понятий, встречающихся совместно. Задача же событийной памяти – это не воспроизвести некую абстрактную картину, а воссоздать именно запомненную ранее ситуацию, описывающую конкретное событие со всеми только ему характерными уникальными особенностями.

Сложность собственно в том, что в нашей модели нигде нет такого места, где бы локализовалось полное и исчерпывающее описание происходящего. Полное описание складывается из множества описаний, активных на отдельных зонах коры. Каждая из зон имеет волновое описание в понятиях, которые свойственны именно этому участку мозга. И если мы даже как-то запомним, что происходит на каждой из зон в отдельности, эти описания будет необходимо еще увязать между собой так, чтобы возник целостный образ.

Аналогичная ситуация возникает, когда мы имеем топографическую проекцию и нейроны с локальными рецептивными полями. Предположим, что у нас есть нейронная сеть, состоящая из двух плоских слоев (рисунок ниже). Допустим, что состояние нейронов первого слоя образует определенную картинку. Эта картинка через проекционные волокна передается на второй слой. Нейроны второго слоя имеют синаптические связи с теми волокнами, которые попадают в границы их рецептивных полей. Таким образом, каждый из нейронов второго слоя видит только маленький фрагмент исходной картинки первого слоя.

Топографическая проекция образа на локальные рецептивные поля

Есть очевидный способ, как запомнить на втором слое подаваемую картинку. Надо выбрать такой набор нейронов, чтобы их рецептивные поля полностью покрывали проецируемый образ. Запомнить на каждом из нейронов свой фрагмент изображения. А чтобы воспоминание приобрело связанность – пометить все эти нейроны общим маркером, указывающим на их принадлежность к одному набору.

Такое запоминание очень просто, но крайне расточительно по количеству задействованных нейронов. Каждая новая картинка будет требовать новый распределенный набор элементов памяти.

Получить экономию можно, если окажется, что у разных изображений повторяются какие-либо общие фрагменты, тогда можно не заставлять новый нейрон запоминать такой фрагмент, а воспользоваться уже существующим нейроном, просто добавив ему еще один маркер, теперь уже от новой картинки.

Таким образом, мы приходим к основной идее распределенного запоминания. Опишем ее сначала для картинки и топографической проекции.

Будем подавать на первую зону различные изображения и проецировать их на вторую зону. Если мы сделаем рецептивные поля нейронов достаточно малыми, то количество уникальных картинок в каждой локальной области окажется не столь велико. Мы можем так подобрать размеры рецептивного поля, чтобы в область, размеры которой будут приблизительно совпадать с размером рецептивного поля нейронов, поместились все уникальные варианты локальных изображений.

Создадим пространственные области, содержащие нейроны-детекторы. Сделаем так, чтобы каждая область содержала детекторы всех возможных уникальных образов и чтобы такие области покрывали все пространство второй зоны. Для этого мы можем воспользоваться описанными ранее принципами выделения наборов факторов.

Задача детекторов – сравнивать подаваемые на их рецептивные поля образы с образами, характерными для них. Для такого сравнения образов можно использовать свертку по рецептивному полю R:

y=∑ i∈ Rxiω i

Отклик нейрона будет тем выше, чем больше новый образ покрывает образ запомненный. Если нас интересует не степень покрытия, а уровень совпадения образов, то можно воспользоваться корреляцией образов, которая есть не что иное, как нормированная свертка:

y=∑ ixiω i∑ ix2i∑ iω 2i− − − − − − − − − − √

Кстати, это же значение является косинусом угла, образованного вектором образа и вектором весов:

y=xTω ∥ x∥ ∥ ω ∥

В результате, в каждой локальной группе детекторов при подаче новой картинки будут срабатывать нейроны-детекторы, наиболее точно описывающие свой локальный фрагмент.

Теперь сделаем следующее: будем генерировать для каждого нового образа свою уникальную метку-идентификатор и помечать ею активные нейроны-детекторы. Мы получим, что каждая подача образа сопровождается появлением на второй зоне коры картины активности, которая есть описание этого образа через доступные второй зоне признаки. Создание уникального идентификатора и маркировка им активных нейронов детекторов – это и есть запоминание конкретного события.

Если мы выберем один из маркеров, найдем нейроны-детекторы, его содержащие, и восстановим характерные для них локальные образы, то мы получим восстановление исходного изображения.

Чтобы запоминать и воспроизводить множество разных образов, нейроны-детекторы должны иметь неизменные синаптические веса и обладать возможностью хранить столько маркеров, сколько воспоминаний им предстоит запомнить.

Покажем работу распределенного запоминания на простом примере. Допустим, что мы генерируем на верхней зоне контурные изображения разнообразных геометрических фигур (рисунок ниже).

Подаваемое изображение

Будем обучать нижнюю зону на выделение различных факторов методом декорреляции. Основные образы, которые будут появляться в каждом малом рецептивном поле – это линии под разными углами. Будут и другие образы, например, пересечения и углы, свойственные геометрическим фигурам. Но линии будут доминировать, то есть встречаться чаще. Это значит, что они и выделятся в первую очередь в виде факторов. Реальный результат такого обучения показан на рисунке ниже.

Фрагмент поля факторов, выделенных из контурных изображений

Видно, что выделяется много вертикальных и горизонтальных линий, отличающихся своим положением на рецептивном поле. Это не удивительно, так как даже небольшое смещение создает новый фактор, не имеющий пересечений со своими параллельными «близнецами». Предположим, что мы каким-то образом усложнили нашу сеть так, что расположенные рядом параллельные «близнецы» слились в один фактор. Далее допустим, что в малых областях выделились факторы, как показано на рисунке ниже, с определенной дискретностью описывающие все возможные направления.

Факторы в малой области, соответствующие различным направлениям с дискретностью в один час

Тогда результат обучения всей зоны коры можно условно изобразить следующим образом:

Условный результат обучения зоны коры. Для наглядности нейроны размещены не на регулярной сетке

Теперь подадим на обученную зону коры изображение квадрата. Нейроны, которые увидят на своем рецептивном поле характерный для них стимул, активируются (рисунок ниже).

Реакция обученной зоны коры на образ квадрата

Теперь сгенерируем случайное уникальное число – идентификатор воспоминания. Для простоты не будем пока использовать наши волновые сети, ограничимся предположением, что каждый нейрон может хранить кроме синаптических весов еще и набор идентификаторов, то есть некий большой массив неупорядоченных чисел. Заставим все активные нейроны запомнить в своих наборах только что сгенерированный идентификатор. Собственно, этим действием мы и зафиксируем память об увиденном квадрате.

Подавая новые изображения, будем для каждого из них генерировать свой уникальный идентификатор и добавлять его к нейронам, отреагировавшим на текущий образ. Теперь, чтобы что-то вспомнить, достаточно будет взять соответствующий идентификатор, активировать все нейроны, которые его содержат, а затем восстановить картины образов, характерных для этих нейронов. Естественно, чем богаче и четче будет система описания, тем точнее восстановленный образ будет совпадать с исходным. Но даже на очень грубых моделях, например, на сети, приведенной выше, можно получать вполне правдоподобные результаты восстановления (рисунок ниже).

Исходное изображение и воспоминание, восстановленное по факторам «грубой» модели

Теперь можно сформулировать наши предположения относительно того, как устроена событийная память реального мозга.

Обучение различных зон коры ведет к формированию паттернов нейронов-детекторов, способных реагировать на образы, характерные для этих зон. В основе этого обучения лежит синаптическая пластичность. Это обучение не фиксирует конкретные события, а только выделяет обобщенные понятия. Когда возникает «нейрон бабушки», по его синаптическим весам нельзя судить о воспоминаниях, как-либо связанных с бабушкой. Веса синапсов описывают не конкретные события, а картины признаков, характерных для узнавания бабушки.

Картина описания, происходящего на каждой из зон коры, дуалистична. Это одновременно и картина вызванной активности нейронов-детекторов, и волновой идентификатор, сформированный как собственными для коры излучающими паттернами, так и волнами, пришедшими по системе проекций.

Роль гиппокампа – создавать уникальный идентификатор для каждого воспоминания и добавлять его в общую волновую картину. В результате этого на каждой зоне коры в волновом идентификаторе кроме перечисления признаков, описывающих текущее событие, появится еще и уникальная добавка от гиппокампа, которая позволит различить волновые описания похожих между собой событий.

Нейроны-детекторы, находящиеся в состоянии вызванной активности, фиксируют на своих метаботропных кластерах текущий волновой идентификатор. Кстати, мы уже наблюдали нечто похожее, когда описывали систему обобщенной ассоциативности понятий. Только теперь в идентификатор добавилась уникальная составляющая от гиппокампа. Этим действием мы создадим энграмму, позволяющую найти все нейроны-детекторы, относящиеся к одному воспоминанию.

Надо отметить, что эта конструкция одинаково работает независимо от того, как на зону коры поступает информация. И для топографической и для волновой проекции принципы запоминания остаются неизменны.

Такая конструкция памяти обладает всеми требуемыми от памяти голографическими свойствами. Нейроны-детекторы любого детекторного паттерна сохраняют информацию обо всей волновой картине, которая была на коре на момент запоминания, что в точности соответствует тому, как фрагмент голограммы хранит информацию о волновой картине окружающего пространства.

Фиксация энграммы получается распределенной по всем участкам мозга, проявившим активность в узнавании происходящего. Это значит, что воспоминание не привязано к какому-то одному или даже нескольким нейронам и не имеет конкретной локализации. Удаление любого участка коры, как это было в опытах Лэшли, не уничтожает всей энграммы, а только обедняет ее на описание в тех понятиях, которые оказались удалены.

Становится понятна природа нейронов, реагирующих на Дженнифер Энистон или мастера Йоду. Это не нейроны воспоминания – это лишь нейроны-детекторы, связанные с понятиями, имеющими отношение к соответствующим фильмам.

Можно объяснить природу ярких видений, возникающих при стимуляции мозга электродом. Электрод возбуждает случайный паттерн нейронов, с которыми он соприкасается. Если оказывается, что этот паттерн похож на фрагмент волны какого-либо известного коре идентификатора, то он запускает соответствующую волну, которая выстраивает всю остальную информационную картину мозга. Повторный электрический импульс в уже введенный электрод вызывает то же самое видение, так как создает тот же паттерн активности. Но при этом характер видения оказывается никак не связан с местом, куда попал электрод. Активируются не понятия, действительно имеющие локализацию, а волна, которая, в принципе, могла бы возникнуть в любом другом месте. Просто в месте введения электрода узор этой волны совпал с формой иглы. Для волновой модели коры все это вполне естественно, но вызывает озадаченность у тех, кто ищет «нейроны бабушки».

Наша концепция памяти хорошо объясняет особенности пациента H.M. Так как гиппокамп необходим для создания уникального идентификатора, то не удивительно, что его отсутствие сделало невозможным создание новых воспоминаний и при этом не нарушились воспоминания, уже имеющиеся. Там, где идентификатор уже был присвоен, гиппокамп больше не нужен для последующих информационных процедур. Так как формирование нейронов-детекторов и детекторных паттернов не завязано на гиппокамп, то объясняется и сохранение способности к процедурному обучению и формированию обобщенной памяти.

Еще раз обращу внимание на то, что при описании событийной памяти мы не использовали пластичность синапсов как инструмент запоминания. Пластичность синапсов у нас – это механизм формирования паттернов нейронов-детекторов. То есть, следы конкретных событий невозможно найти непосредственно на синапсах нейронов, хотя образы, описываемые синаптическими весами, и напоминают всегда что-то из встречавшегося ранее опыта. Мы пришли к необходимости разделения механизмов обучения и событийной памяти. Исходя их этого, в нашей модели получилось два типа энграмм. Один тип – это модификация синаптических весов, позволяющая выделиться признакам, на базе которых строятся все последующие описания. Второй тип – образование внесинаптических метаботропных рецептивных кластеров, объединяющих множество нейронов, участвующих в описании конкретного события. Причем второй тип энграмм невозможен без первого. Это означает, что для формирования воспоминаний о каких-либо событиях во всей полноте, должны существовать факторы, позволяющие составить такое описание.

⇐ Предыдущая1234567Следующая ⇒

Поделиться: