مدار «بازداری-بر-بازداری»؛ سازوکار مغز برای تغییر انعطاف‌پذیر بین وظایف

تصور کنید باید در یک لحظه شکل‌ها را بر اساس رنگ مرتب کنید و لحظه‌ای بعد، همان شکل‌ها را بر اساس اندازه تفکیک کنید؛ مغز شما این چرخش سریع را مدیون یک مدار خاص است. طبق اعلام دانشگاه کلمبیا (Columbia Engineering)، مداری به نام «بازداری-بر-بازداری» (Inhibition-on-Inhibition) است که انعطاف‌پذیری شناختی انسان را ممکن می‌سازد. این مدار به مغز اجازه می‌دهد تا به‌طور منعطف بین تکالیف شناختی مختلف جابه‌جا شود.

این کشف، باور چندین ده ساله به این موضوع که نواحی ابتدایی بینایی مغز تنها نقش انتقال‌دهنده غیرفعال داده‌ها را دارند، به چالش می‌کشد. برای سال‌ها، علوم اعصاب مغز را مانند یک لوله خط مستقیم می‌دیدند که در آن چشم‌ها داده‌های خام را جمع‌آوری کرده و به اعماق قشر مغز می‌فرستند. در این مدل قدیمی، «تفکر» — شامل استدلال، قضاوت و تصمیم‌گیری — تنها زمانی شروع می‌شد که اطلاعات به قشر مغز می‌رسید. اما ناتیدا رانگراتسامی‌تاویمانا (Nuttida Rungratsameetaweemana)، استادیار مهندسی زیست‌پزشکی در کرسی Maa-Liao، استدلال می‌کند که نواحی حسگر اولیه به‌طور فعال در استدلال‌های سطح بالا مشارکت دارند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ساختار شبکه‌های عصبی اشاره کردیم، بهینه‌سازی مسیر انتقال داده‌ها کلید بهره‌وری است. این کشف در حالی رخ می‌دهد که محققان هوش مصنوعی برای کاهش مصرف انرژی و افزایش تطبیق‌پذیری مدل‌های بزرگ تلاش می‌کنند. در حالی که مدل‌های مدرن به مجموعه‌داده‌های عظیم و برق زیاد نیاز دارند، مغز بیولوژیک با استفاده از سیم‌کشی‌های تخصصی و تکراری، انعطاف‌پذیری برتری را با کسری از آن انرژی به دست می‌آورد. رانگراتسامی‌تاویمانا اشاره می‌کند که مغز بدون نیاز به آموزش روی «کل اینترنت»، به این توانایی‌ها دست می‌یابد.

مهندسی مدل بیولوژیک

تیم تحقیق شامل توماس گالو آکینو و رابرت کیم (که هر دو نویسنده اول مقاله هستند)، برای رمزگشایی از این سازوکار، مقاله‌ای را در PLOS Biology منتشر کردند. آن‌ها یک شبکه عصبی (Neural Network) — شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — ساختند که به‌جای حداکثر کردن عملکرد خام، محدودیت‌های واقعی بیولوژیک را شبیه‌سازی می‌کرد. رانگراتسامی‌تاویمانا توضیح می‌دهد که اگر مدلی توانایی‌هایی داشته باشد که مغز در واقعیت ندارد، یافته‌های آن نمی‌تواند به بیولوژی واقعی کمک کند یا آن را توجیه کند.

ویژگی‌های دقیق این مدل عبارت بود از:

• دو کلاس نورونی: شبکه شامل نورون‌های تحریکی (که باعث شلیک نورون‌های دیگر می‌شوند) و نورون‌های بازدارنده (که شلیک را سرکوب می‌کنند) بود.
• ساختار سلسله‌مراتبی: شبکه دارای دو ناحیه مجزا بود؛ یک ماژول حسگر که ورودی را به‌طور مستقیم دریافت می‌کرد و یک ماژول سطح بالا که در پایین‌دست قرار داشت.
• تکرار وظیفه: هوش مصنوعی موظف بود شکل‌ها را بر اساس قوانینی که مدام تغییر می‌کردند مرتب کند. این طراحی در واقع بازسازی یک مطالعه fMRI بود که تیم سال گذشته انجام داده بود.

در آن مطالعه fMRI، تیم فعالیت‌های غیرمنتظره‌ای را در ابتدایی‌ترین نواحی بینایی قشر مغز مشاهده کرد. آن‌ها دریافتند وقتی شرکت‌کننده شکل‌ها را با یک مجموعه از قوانین مرتب می‌کرد، سیستم بینایی یک‌گونه رفتار می‌کرد؛ اما زمانی که قوانین برای همان شکل تغییر می‌کرد، رفتار سیستم متفاوت بود. این امر نشان داد که نواحی حسگر، اطلاعات را بر اساس «وظیفه فعلی» پردازش می‌کردند. این رویکرد مدیریت وظایف در مدل‌های بیولوژیک، شباهت‌های جالبی با پیشرفت‌های اخیر در دنیای AI دارد؛ به‌طوری‌که برای مثال حافظه Task-Based در سیستم‌های جدیدتر توانسته است دقت عامل‌های هوشمند را به‌طور چشم‌گیری افزایش دهد.

نقش سیگنال‌دهی بازدارندگی

محققان هنگام تحلیل مدل برای بررسی نحوه حل مسئله، متوجه شدند که سیستم به یک آرایش خاص از نورون‌های دیجیتال تکیه دارد. این «سیگنال‌دهی بازدارندگی» (Disinhibitory Signaling) زمانی رخ می‌دهد که نورون‌های بازدارنده، نورون‌های بازدارنده دیگر را سرکوب می‌کنند.

این سازوکار خاص به سیستم اجازه می‌دهد اطلاعات کلیدی را از بخش «تفکر» شبکه به بخش «حسگر» بازگرداند. رانگراتسامی‌تاویمانا این حالت را «کنترل بسیار دقیق» روی نحوه نمایش اطلاعات می‌نامد تا اطمینان حاصل شود که داده‌های درست، به روش درست نمایش داده شوند.

برای اثبات ضروری بودن این سیم‌کشی، تیم انواع مختلف اتصالات را آزمایش کرد. در مجموع چهار نوع اتصال ممکن بین این سلول‌ها وجود دارد. وقتی تیم اتصالات «بازداری-بر-بازدارنده» را تضعیف کرد، توانایی مدل در جابه‌جایی بین قوانین مختلف وظایف به‌طور کامل فروپاشید. در مقابل، تضعیف سایر انواع اتصالات، تأثیر چندانی بر عملکرد شبکه نداشت و عملکرد آن تا حد زیادی دست‌نخورده باقی ماند.

اعتبارسنجی با داده‌های بیولوژیک

تیم این یافته‌های دیجیتال را با سیستم‌های بیولوژیک زنده آزمایش کرد تا مطمئن شود این الگو در مغز زنده نیز برقرار است. در ثبت‌های مربوط به قشر بینایی موش‌ها، محققان سلول‌های بازدارنده‌ای را که لنگر این مدار خاص بودند، غیرفعال (Silent) کردند. همان‌طور که مدل پیش‌بینی کرده بود، این اقدام توانایی قشر مغز در ردیابی بستر وظیفه (Task Context) را کاهش داد.

این پژوهش بر اساس کارهای رانگراتسامی‌تاویمانا است که از سال ۲۰۱۵ با بیمارانی شروع شد که هیپوکامپ (ناحیه ضروری برای تشکیل و نگهداری حافظه‌ها) را از دست داده بودند. اگر مغز صرفاً تکه‌تکه و مستقل (Modular) بود، فقدان این قطعه میانی باید باعث می‌شد بیماران نتوانند بسیاری از تکالیف را انجام دهند.

اما او دریافت که این بیماران همچنان می‌توانند در وظایف مختلف عمل کنند. این اولین مدرک واقعی بود که نشان داد نواحی ابتدایی مغز کاری بیشتر از انتقال ساده اطلاعات انجام می‌دهند. این موضوع پیشنهاد می‌کند که مغز از طریق «افزونگی» (Redundancy) عمل می‌کند؛ به این معنا که اگر اطلاعات به‌طور افزونه ذخیره شوند، فرد می‌تواند بخشی از مغز را از دست بدهد و همچنان به زندگی و فعالیت خود ادامه دهد.

پیامدهایی برای هوش مصنوعی

این الگوی «بازداری-بر-بازداری» می‌تواند نقشه‌ای برای ساخت هوش مصنوعی‌های کم‌حجم‌تر و بهینه‌تر باشد. تیم تحقیق بر یک تفاوت بنیادی در معماری تأکید می‌کند: در حالی که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — بر پایه ترنسفورمر (Transformer) هستند، این پژوهش از شبکه‌های عصبی بازگشتی (RNN) استفاده کرده است.

با پیاده‌سازی این اصول بیولوژیک، هوش مصنوعی می‌تواند از نیاز به انرژی عظیم و آموزش‌های سنگین و داده‌محور مدل‌های فعلی فاصله بگیرد. هدف این است که این اصول تکاملی یکی‌یکی استخراج شوند تا AI تطبیقی‌تر و کارآمدتر شود.

مسیر پیش‌رو

تحقیقات اکنون دوباره به سمت سوژه‌های انسانی بازگشته است تا از ماهیت «ناپخته» یا کلی اسکن‌های عمومی مغز فراتر روند. اسکن‌های عمومی نمی‌توانند فعالیت تک‌سلولی یا رفتار در سطح مدارها را نشان دهند.

تیم در حال همکاری با شرکای بالینی برای نظارت بر بیماران صرعی است. با استفاده از الکترودهایی که عمیقاً در مغز قرار می‌گیرند، آن‌ها می‌توانند فعالیت‌های عصبی را مستقیماً در حالی که بیماران تکالیف شناختی را انجام می‌دهند، ثبت کنند. این اندازه‌گیری‌های دقیق، داده‌های لازم برای آزمایش فرضیات آن‌ها را در برابر فعالیت عصبی بلادرنگ (Real-time) انسان فراهم خواهد کرد.

گام بعدی شما

• بررسی مقالات مربوط به شبکه‌های عصبی بازگشتی (RNN) برای درک تفاوت آن‌ها با معماری ترنسفورمر در مدیریت توالی‌ها.
• دنبال کردن نتایج همکاری‌های جدید تیم کلمبیا با بیماران صرعی برای مشاهده فعالیت سلولی در لحظه.
• مطالعه مفاهیم «افزونگی عصبی» برای درک نحوه بازیابی عملکردهای مغز پس از آسیب.

این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این کشف بر طراحی نسل بعدی تراشه‌های عصبی را در گزارش‌های آینده بررسی خواهیم کرد.