بزرگنمايي:

پیام آذری - یک چارچوب ریاضی جدید نشان می‌دهد که چگونه قشر پیش‌پیشانی مغز، سیگنال‌های ترکیبی را برای هدایت تصمیم‌گیری پردازش می‌کند و اطلاعات جدیدی را برای مراقبت‌های بالینی آینده و نسل بعدی هوش مصنوعی ارائه می‌دهد.
به گزارش ایسنا به نقل از وب‌سایت رسمی دانشگاه پرینستون، مدل ریاضی جدید دانشمندان علوم اعصاب «دانشگاه پرینستون» چگونگی پردازش نشانه‌های گوناگون مغز از جمله مناظر و صداها را در طول روند تصمیم‌گیری آشکار می‌سازد. یافته‌های این پژوهش ممکن است روزی بتوانند مدارهای مغزی آسیب‌دیده طی اختلالات عصبی مانند آلزایمر را بهبود ببخشد و به مغزهای مصنوعی مانند دستیار صوتی «الکسا»(Alexa) یا فناوری خودروهای خودران کمک کنند.
انسان‌ها هنگام پیاده‌روی به سمت محل کار، با سیگنال‌های حسی زیادی در طول مسیر خود روبه‌رو می‌شوند؛ از جمله درخشش خطوط عابر پیاده که نشان می‌دهد عبور از آن امن است یا باید مراقب ترافیک مقابل بود. در حالی که مردم شروع به عبور از خطوط عابر پیاده می‌کنند، یک آمبولانس ممکن است در حال آژیر کشیدن از خیابان بگذرد و به سمت تقاطع بپیچد. این که مغز چگونه اطلاعات حسی متناقض و مرتبط مانند نشانه‌های رنگی و آژیرهای بلند را می‌فهمد و تصمیم معقولی می‌گیرد، مدت ها مورد بررسی قرار گرفته اما هنوز یک راز است.
یکی از ناحیه‌های مغز که برای تصمیم‌گیری حیاتی به شمار می‌رود، قشر پیش‌پیشانی مغز است که دقیقا پشت چشم‌ها قرار دارد و به عنوان مرکز شناخت در نظر گرفته می‌شود. پژوهش‌های پیشین نشان داده بودند که واکنش انفرادی سلول‌های مغز در قشر پیش‌پیشانی هنگام تصمیم‌گیری چندوجهی و پیچیده است. به عنوان مثال، یک نورون در قشر پیش‌پیشانی مغز ممکن است تنها در واکنش به چراغ سبز راهنمایی شلیک کند تا مانع عبور عابر پیاده شود. با وجود این، دانشمندان تاکنون درک یکپارچه‌ای از نحوه پردازش سلول‌های مغز در قشر پیش‌پیشانی، اطلاعات حسی مانند نشانه‌های ترافیک و سپس تولید خروجی‌های رفتاری مانند تصمیم به پیاده‌روی نداشته‌اند.
روش‌های ریاضی گوناگونی پیشتر برای درک مکانیسم‌های مداری که پویایی عصبی را به خروجی رفتاری مرتبط می‌کنند، مورد استفاده قرار گرفته‌اند اما هر کدام از آنها محدودیت‌های خاص خود را دارند. دکتر «کریستوفر لنگدون»(Christopher Langdon) و «تاتیانا انگل»(Tatiana Engel) پژوهشگران این پروژه، چارچوب ریاضی جدیدی را به نام «مدل مدار نهفته» برای توضیح بهتر تصمیم‌گیری پیشنهاد کردند. لنگدون گفت: هدف از پژوهش این بود که بفهمیم آیا مکانیسم‌های کم‌بعدی در داخل شبکه عصبی بازگشتی بزرگ عمل می‌کنند یا خیر.
لنگدون و انگل برای آزمایش فرضیه خود، ابتدا مدل جدید را برای شبکه‌های عصبی تکراری که برای تصمیم‌گیری وابسته به زمینه آموزش دیده بودند، اعمال کردند. آنها با استفاده از مدل جدید خود دریافتند وقتی حرکت یک نشانه مهم برای ردیابی است، سلول‌های قشر پیش‌پیشانی مغز که شکل را پردازش می‌کنند، جلوی سلول‌های همسایه را که به رنگ توجه دارند، می‌گیرند. وقتی از آنها خواسته شد که قرمز را در مقابل سبز تشخیص دهند، برعکس این کار انجام شد. لنگدون گفت: پیدا کردن مکانیسم قابل تفسیر و ساختگی که درون یک شبکه بزرگ پنهان شده است، بسیار هیجان‌انگیز بود.
مدل مدار نهفته، پیش‌بینی‌هایی را درباره نحوه تغییر انتخاب‌ها در زمانی ارائه می‌دهد که قدرت اتصالات بین گره‌های پنهان تغییر می‌کند. این یک مدل قوی است زیرا به پژوهشگران امکان می‌دهد تا بررسی کنند که آیا ساختار اتصال پنهان واقعا برای پشتیبانی از عملکرد مورد نیاز است یا خیر. در واقع، دانشمندان دریافتند که با حذف اتصالات خاص از مدار، عملکرد به روش‌های قابل پیش‌بینی آسیب می‌بیند.
مغز انسان با تعداد نورون‌های بیشتری نسبت به ستاره‌های کهکشان راه شیری، به طرز وحشتناکی پیچیده است؛ اما مدل مدار نهفته، فرصت‌های جدیدی را برای آشکار کردن مکانیسم‌هایی باز می‌کند که توضیح می‌دهند چگونه اتصال بین صدها سلول مغز به ارائه محاسباتی می‌انجامد که افراد را به انتخاب‌های متفاوت سوق می‌دهند.
این پژوهش در مجله «Nature Neuroscience» به چاپ رسید.