Các nhà khoa học Nga tạo ra mạng lưới thần kinh sinh học với khả năng nghe tinh tế

Theo quan điểm của họ, phát kiến này sẽ có thể giảm bớt tiêu tốn năng lượng đáng kể so với mạng lưới thần kinh nhân tạo thông thường. Kết quả nghiên cứu đã được công bố trên tạp chí khoa học Chaos.

Trong công nghệ hiện đại đã bao gồm một cách rộng rãi các phương pháp nhận dạng tín hiệu bằng mạng lưới thần kinh nhân tạo thế hệ thứ hai. Tuy nhiên, các nơ-ron được sử dụng để mô hình hoá nơ-ron thực tế lại phức tạp hơn nhiều so với nơ-ron của mạng thần kinh nhân tạo. Do đó, mạng nơ-ron sinh học (tăng đột biến) thế hệ thứ ba được tạo thành từ chúng khá khác biệt so với mạng thế hệ thứ hai. Trong những năm gần đây, giới khoa học ngày càng quan tâm đến việc nghiên cứu mạng lưới thần kinh tăng đột biến, nhưng vẫn còn rất nhiều câu hỏi bỏ ngỏ chưa có giải đáp.

Như đã rõ, mạng lưới thần kinh trong não người bao gồm các nhóm tế bào thần kinh được kết nối về mặt hóa học hoặc chức năng. Các chuyên gia mô tả hành vi của chúng bằng mô hình toán học khái niệm FitzHugh-Nagumo, được đề xuất vào cuối thế kỷ 20.

Các nhà khoa học từ Đại học Nghiên cứu Quốc gia Saratov mang tên N.G. Chernyshevsky tự đặt ra cho mình nhiệm vụ sử dụng phương pháp mô hình toán học khái niệm FitzHugh-Nagumo để xác định khả năng nhận dạng tín hiệu âm thanh bằng mạng nơ-ron tăng đột biến bao gồm các nơ-ron. Họ nêu giả thiết rằng các mạng dựa trên cơ sở các nơ-ron như vậy có thể sở hữu khả năng rộng lớn hơn do tính phức tạp tích hợp của chúng.

"Chúng tôi chú ý nghiên cứu cách mạng lưới các nơ-ron như vậy hoạt động trong quan hệ với tín hiệu bên ngoài. Mạng được nghiên cứu hoàn toàn không lớn nhưng số lượng phần tử của nó đủ để đạt được hiệu ứng mong muốn. Chúng tôi phát hiện ra rằng liên hệ thần kinh FitzHugh-Nagumo có thể bộc lộ đặc tính chọn lọc đối với các tín hiệu với tỷ lệ tần số khác nhau và phân biệt tín hiệu bên ngoài nhờ chỉ chọn một số kết nối nhất định giữa các tế bào thần kinh. Từ đó đi đến kết luận rằng có thể xây dựng một mạng lưới các tế bào thần kinh đặc biệt để đảm bảo nhận dạng trường tín hiệu âm thanh", ông Andrei Bukh, PGS-TS Khoa Vật lý Phóng xạ và Động lực học phi tuyến của Đại học Nghiên cứu Quốc gia Saratov giải thích.

Các nhà nghiên cứu cho rằng phát kiến mới của họ sẽ giúp tạo ra mạng lưới thần kinh hiệu quả, trong đó hiệu quả cần hiểu là tỷ lệ giữa năng lượng tiêu tốn và độ phức tạp của nhiệm vụ được giải quyết.

“Đã biết rằng để giải quyết cùng một vấn đề thì bộ não con người tiêu tốn ít năng lượng hơn so với máy tính thông thường. Nghĩa là mạng lưới thần kinh tăng đột biến có thể tiêu tốn ít năng lượng hơn đáng kể so với mạng lưới thần kinh nhân tạo thông thường”, nhà khoa học Saratov nhấn mạnh.

Ông nói thêm rằng do tính phi tuyến tính của các thành phần thuộc mạng lưới thần kinh tăng đột biến, nó sẽ trở nên rất phức tạp và phản ứng của các tế bào thần kinh trong đó có thể rất khác nhau. Vì vậy, việc đo lường hiệu quả sẽ khá khó khăn. Theo quan điểm ​​của ông, điều đó chỉ có thể được thực hiện khi mạng lưới thần kinh tăng đột biến bắt đầu được ứng dụng trong thực tế.

“Chúng tôi nghiên cứu câu hỏi về khả năng kết nối đảm bảo tính chọn lọc của mạng trong quan hệ với các tín hiệu bên ngoài dành cho nơ-ron cụ thể đơn giản nhất và đã tìm thấy kết quả khả quan. Nhưng đối với mỗi nhiệm vụ cụ thể, mức tăng hiệu quả sẽ khác nhau. Có những khó khăn khác, và nghiêm trọng nhất trong đó là “chỉ có một số rất nhỏ các phương pháp có thể ứng nghiệm để huấn luyện mạng lưới thần kinh tăng đột biến", PGS-TS Bukh lưu ý.

Như ông cho biết, kết quả thu được có đảm bảo chủ yếu bằng việc chỉ lựa chọn một số liên hệ kết nối giữa các nơ-ron. Những liên hệ còn lại sẽ bị ngắt kết nối. Nếu để tất cả các liên hệ giữa các nơ-ron được bật, mạng sẽ không thể hiện thuộc tính chọn lọc. Mặt khác, số lượng kết nối không đủ sẽ dẫn đến vắng mặt gần như hoàn toàn của các phản ứng trong đó.

Trong tương lai, các nhà nghiên cứu từ Đại học Quốc gia Saratov dự kiến tìm hiểu xem liệu một mô hình nơ-ron đơn lẻ có khả năng “tích lũy” tín hiệu và thể hiện các hành vi khác nhau tùy thuộc vào “bối cảnh” hay chăng.

"Kết quả sơ bộ cho thấy mô hình nơ-ron tích lũy các tín hiệu đầu vào. Tức là, tiền sử của nơ-ron ảnh hưởng đến trạng thái hiện tại của nó, nó phản ứng với “bối cảnh”. Nhưng liệu một mạng dựa trên các nơ-ron như vậy có trở thành một bộ phân loại hay không vẫn là một câu hỏi bỏ ngỏ", - chuyên gia Andrei Bukh kết luận.