Алан Джасанов - Мозг: прошлое и будущее [Что делает нас теми, кто мы есть]

Есть в мозгах и электрические нейронные сети, чем-то напоминающие интегральные микросхемы в компьютерах. Нейронные сети – это группы нейронов, соединенных между собой синапсами . Многие нейрофизиологи считают синапсы самыми фундаментальными единицами нейронных связей, поскольку синапсы модулируют нервные сигналы при переходе от клетки к клетке. В этом смысле синапсы напоминают транзисторы – атомарные элементы устройства компьютера, которые то включаются, то выключаются и регулируют поток электрического тока при цифровой обработке сигналов. Человеческий мозг содержит миллиарды нейронов и триллионы синапсов – гораздо больше, чем транзисторов в обычном персональном компьютере в наши дни [75] Например, процессоры «Intel Skylake», установленные в лэптопы Apple Macbook Pro 2016 года, содержат почти два миллиарда транзисторов, примерно в 50 раз меньше, чем нейронов в человеческом мозге. . Синапсы в целом передают сигналы в одном направлении – от пресинаптического к постсинаптическому нейрону, которые соединяет синапс. Самое распространенное средство этой коммуникации – так называемые нейромедиаторы, химические вещества, выделяемые пресинаптическими клетками. Разные виды синапсов (зачастую различающиеся по разновидностям используемых нейромедиаторов) позволяют пресинаптическим клеткам повышать или понижать частоту потенциалов действия в постсинаптических клетках или оказывать на нее более тонкое воздействие. Это отчасти похоже на то, как давишь ногой на педали автомобиля, чтобы добиться разных результатов в зависимости от того, какую педаль используешь и на какой передаче.

На электрическую сеть похожа зачастую и сама структура нервной ткани. Во многих областях мозга нейроны и контактирующие с ними синапсы организованы в стандартные местные сети, которые напоминают наборы электронных компонентов, составляющие микросхему или печатную плату. Например, кора головного мозга, покрытая извилинами кожура, составляющая основную массу человеческого мозга, имеет слоистую структуру, и эти слои идут параллельно поверхности мозга – совсем как ряды микросхем на карте памяти компьютера (см. рис. 2).

Кроме того, нейронные сети делают то, для чего придуманы электронные цепи в цифровых процессорах. На самом простом уровне отдельные нейроны «умеют» складывать и вычитать, сочетая импульсы, которые получают от пресинаптических клеток. Грубо говоря, исходящий импульс постсинаптического нейрона – это сумма всех входящих импульсов, повышающих частоту потенциалов действия, минус все символы, которые ее понижают. Эта элементарная нейронная арифметика лежит в основе многих функций мозга. Например, зрительная система млекопитающих устроена так, что сигналы от пресинаптических нейронов, реагирующих на свет, из разных участков сетчатки суммируются, когда импульсы от этих клеток сходятся в отдельные постсинаптические клетки. Если комбинировать такие вычисления на множестве стадий, на каждой из которых задействуется новый уровень клеток, суммирующий данные от предыдущего уровня, можно получать реакцию на все более сложные световые узоры.

Сложность нейронных вычислений доходит до понятий из вузовской математики. Нейронные сети «знают» математический анализ, основу основ программы первого курса, и применяют его, когда надо отследить, как что-то в мире меняется или накапливается со временем. Когда глядишь на что-то определенное, двигая головой или телом, то задействуешь «нейронный матанализ», чтобы отслеживать прогресс собственных движений, и на основании этих данных корректируешь направление взгляда, чтобы оно не менялось при движении. Ученые выявили в мозге золотой рыбки группу из 30–40 нейронов, видимо, предназначенную для таких расчетов [76] E. Aksay et al., «Functional dissection of circuitry in a neural integrator», «Nature Neuroscience» 10 (2007): 494–504. . Другая разновидность нейронного матанализа позволяет зрению мухи распознавать движущиеся предметы. Для этого маленькие группы нейронов на сетчатке мухи сравнивают сигналы из соседних точек пространства [77] A. Borst and M. Helmstaedter, «Common circuit design in fly and mammalian motion vision», «Nature Neuroscience» 18 (2015): 1067–1076. . Эти маленькие нейронные сети сигнализируют о движении, если визуальный сигнал из одной точки прибывает раньше, чем сигнал из второй точки, – примерно как мы с вами делаем вывод о движении поезда метро, сопоставляя время прибытия на соседние станции, даже если не наблюдаем движущийся поезд непосредственно.

Нейрофизиологи рассказывают и о сетях, решающих гораздо более сложные задачи, чем математический анализ: они обеспечивают распознавание предметов, принятие решений и сознание как таковое. И хотя ученые еще не сумели выявить нейронные сети, которые совершают эти операции, им удалось зарегистрировать у нейронов признаки подобных сложных расчетов. Для этого частота потенциалов действия нейронов сравнивалась с решением поведенческих задач на выходе. В пример можно привести классический цикл экспериментов по изучению нейронных механизмов обучения, которые провел Вольфрам Шульц из Кембриджского университета на основании данных, полученных из мозга обезьян при помощи электродов. Группа под руководством Шульца изучала, как обезьяны учатся связывать конкретный визуальный стимул с последующей наградой (им давали фруктовый сок), – похожий эксперимент проводил Павлов со своими собаками [78] W. Schultz, «Neuronal reward and decision signals: From theories to data», «Physiological Reviews» 95 (2015): 853–951. . У обезьян возникали потенциалы активности у дофамин-содержащих нейронов в отделе мозга, который называется «вентральная область покрышки», и поначалу это происходило, когда обезьяны получали сок. Но после того, как обезьяны несколько раз видели визуальный стимул и получали сок, дофаминовые нейроны начали «выстреливать» при появлении стимула – то есть еще до сока. Это показывает, что нейроны научились «предсказывать» награду, следовавшую за каждым стимулом. Примечательно, что поведение дофаминовых нейронов в этой задаче очень похоже на вычислительный алгоритм из области машинного обучения [79] Richard S. Sutton and Andrew G. Barto, «Reinforcement Learning: An Introduction» (Cambridge, MA: MIT Press, 1998). . Сходство между абстрактным методом машинного обучения и реальными биологическими сигналами наталкивает на мысль, что мозг обезьяны, вероятно, применяет нейронные сети для исполнения алгоритма, похожего на компьютерный.

Между электроникой и активностью, приписываемой мозгу, есть и другие параллели. Например, нередко говорят, что частота потенциалов активности кодирует информацию , и ссылаются при этом на теорию, которую разработал в 40-х годах XX века Клод Шеннон для описания надежности коммуникаций в электронных системах наподобие радиоприемников и телефонов [80] Claude E. Shannon and Warren Weaver, «The Mathematical Theory of Communication» (Urbana: University of Illinois Press, 1998; перевод на русский язык см. в сб. «Работы по теории информации и кибернетике» (Москва: ИИЛ, 1963), пер. С. Карпова. . Теория информации Шеннона постоянно используется в инженерном деле и информатике для измерения того, с какой надежностью входящие данные соответствуют исходящим. В сущности, мы сталкиваемся с теорией информации, когда сжимаем мегапиксельные фотографии в килобайтовые jpeg-изображения, не теряя деталей, или передаем файлы по Ethernet-кабелям дома или на работе. Чтобы такие задачи хорошо исполнялись, инженерам надо подумать, как лучше всего распаковывать сжатые данные цифровых изображений и как быстро и точно понять и декодировать сигнал, переданный по кабелю, при каждой загрузке и выгрузке. Подобные проблемы тесно связаны с вопросами сохранения данных в биологической памяти и своевременной передачи по нервным волокнам в мозг потенциалов действия, содержащих сенсорную информацию. Для численного описания функционирования нейронов исключительно полезны математические модели теории информации и обработки сигналов в целом [81] Fred Rieke, David Warland, Rob de Ruyter van Steveninck, and William Bialek, «Spikes: Exploring the Neural Code» (Cambridge, MA: MIT Press, 1997). .