رمزگشایی حافظه و تخیل انسان با هوش مصنوعی
رمزگشایی حافظه و تخیل انسان با هوش مصنوعی -یک مطالعه UCL با استفاده از مدل‌های هوش مصنوعی، درک ما از حافظه را ارتقا می‌دهد و نشان می‌دهد که چگونه مغز رویدادهای گذشته را بازسازی می‌کند و سناریوهای جدید را تصور می‌کند.
بر اساس یک مطالعه جدید توسط محققان UCL، پیشرفت‌های اخیر در هوش مصنوعی مولد به توضیح این که چگونه خاطرات ما را قادر می‌سازد در مورد جهان بیاموزیم، تجربیات قدیمی را دوباره زندگی کنیم و تجربیات کاملاً جدیدی برای تخیل و برنامه‌ریزی بسازیم، کمک می‌کند.
مدل‌های هوش مصنوعی که عملکردهای مغز را تقلید می‌کنند
این مطالعه که در Nature Human Behavior منتشر شده و توسط Wellcome تامین مالی شده است، از یک مدل محاسباتی هوش مصنوعی – معروف به شبکه عصبی مولد – برای شبیه‌سازی نحوه یادگیری و یادآوری شبکه‌های عصبی در مغز مجموعه‌ای از رویدادها (هر یک با یک صحنه ساده نشان داده می‌شود) استفاده می‌کند. ).
این مدل شبکه‌هایی را نشان می‌دهد که هیپوکامپ و نئوکورتکس را نشان می‌دهند تا نحوه تعامل آنها را بررسی کند. هر دو بخش مغز در طول حافظه، تخیل و برنامه ریزی با هم کار می کنند.
نویسنده اصلی، دانشجوی دکترا، النور اسپنز (موسسه علوم اعصاب شناختی UCL)، گفت: «پیشرفت‌های اخیر در شبکه‌های مولد مورد استفاده در هوش مصنوعی نشان می‌دهد که چگونه می‌توان اطلاعات را از تجربه استخراج کرد تا بتوانیم هم تجربه‌ای خاص را به خاطر بیاوریم و هم به‌طور انعطاف‌پذیر تصور کنیم که چه چیزی جدید است. تجربیات ممکن است مانند
ما به یادآوری به عنوان تصور گذشته بر اساس مفاهیم فکر می کنیم، و برخی از جزئیات ذخیره شده را با انتظارات خود در مورد آنچه ممکن است رخ داده باشد ترکیب می کنیم.
پخش مجدد حافظه و پیش بینی
انسان‌ها برای زنده ماندن نیاز به پیش‌بینی‌هایی دارند (مثلاً برای اجتناب از خطر یا یافتن غذا)، و شبکه‌های هوش مصنوعی نشان می‌دهند که چگونه، وقتی خاطرات را در حین استراحت پخش می‌کنیم، به مغز ما کمک می‌کند تا الگوهایی را از تجربیات گذشته که می‌توان برای ساختن آنها استفاده کرد، دریافت کند. پیش بینی ها
محققان 10000 تصویر از صحنه های ساده را برای مدل پخش کردند. شبکه هیپوکامپ به سرعت هر صحنه را همانطور که تجربه می کرد رمزگذاری کرد. سپس صحنه ها را بارها و بارها برای آموزش شبکه عصبی مولد در نئوکورتکس تکرار کرد.
شبکه نئوکورتیکال یاد گرفت که فعالیت هزاران نورون ورودی (نورون هایی که اطلاعات بصری را دریافت می کنند) که هر صحنه را نشان می دهد از طریق لایه های میانی کوچکتر نورون ها (کوچکترین آنها حاوی تنها 20 نورون است) عبور دهد تا صحنه ها را به عنوان الگوهای فعالیت در هزاران خود بازسازی کند. نورون های خروجی (نورون هایی که اطلاعات بصری را پیش بینی می کنند).
پیامدهای مطالعه
این امر باعث شد که شبکه نئوکورتتیکال نمایش‌های «مفهومی» بسیار کارآمدی از صحنه‌هایی که معنای آنها را به تصویر می‌کشد (مثلاً چیدمان دیوارها و اشیاء) بیاموزد – که هم امکان بازآفرینی صحنه‌های قدیمی و هم تولید صحنه‌های کاملاً جدید را فراهم می‌کند.
در نتیجه، هیپوکامپ به جای اینکه مجبور باشد تک تک جزئیات را رمزگذاری کند، می‌توانست معنای صحنه‌های جدیدی را که به آن ارائه می‌شد رمزگذاری کند، و این امکان را به آن می‌داد تا منابع را روی رمزگذاری ویژگی‌های منحصربه‌فردی که نئوکورتکس قادر به بازتولید آن نیست، متمرکز کند – مانند انواع جدید اشیاء.
این مدل توضیح می‌دهد که چگونه نئوکورتکس به آرامی دانش مفهومی را به دست می‌آورد و چگونه، همراه با هیپوکامپ، این امکان را به ما می‌دهد تا با بازسازی آنها در ذهن خود، رویدادها را دوباره تجربه کنیم.
این مدل همچنین توضیح می‌دهد که چگونه می‌توان رویدادهای جدید را در طول تخیل و برنامه‌ریزی برای آینده ایجاد کرد، و چرا خاطرات موجود اغلب حاوی تحریف‌های «مانند اصل» هستند – که در آن ویژگی‌های منحصربه‌فرد تعمیم داده می‌شوند و بیشتر شبیه ویژگی‌های رویدادهای قبلی به خاطر سپرده می‌شوند.
پروفسور نیل برگس، نویسنده ارشد (موسسه علوم اعصاب شناختی UCL و موسسه نورولوژی کوئین اسکوئر UCL)، توضیح داد: «شیوه ای که خاطرات بازسازی می شوند، به جای اینکه سوابق واقعی گذشته باشند، به ما نشان می دهد که چگونه معنا یا اصل یک تجربه با جزئیات منحصربه‌فرد ترکیب می‌شود و چگونه این می‌تواند منجر به سوگیری در نحوه به خاطر سپردن چیزها شود.»
مرجع: “مدل مولد ساخت و تثبیت حافظه” 19 ژانویه 2024، رفتار انسان طبیعت .
DOI: 10.1038/s41562-023-01799-z
