ஒரு நரம்பியல் தரவு அறிவியல்: எப்படி, ஏன்

நியூரான்களில் தரவு அறிவியல் செய்வதற்கான தோராயமான வழிகாட்டி

தரவு அறிவியல் செய்யும் மூளை. கடன்: பெயர்ச்சொல் திட்டத்திலிருந்து மாட் வாஸரின் மூளை

அமைதியாக, திருட்டுத்தனமாக, ஒரு புதிய வகை நரம்பியல் விஞ்ஞானி வடிவம் பெறுகிறார். நூற்றுக்கணக்கான நியூரான்களின் சிதறல் பிளவுகளில், நரம்பியல் செயல்பாடு குறித்த தரவுகளுடன் விஞ்ஞானத்தை செய்யும் நரம்பியல் விஞ்ஞானிகளின் குழுக்கள் எண்ணற்ற கோட்பாட்டாளர்களிடமிருந்து எழுந்துள்ளன. தரவைப் பகுப்பாய்வு செய்வதற்கான முறைகளை உருவாக்குவது அல்ல, அனைத்துமே அதைச் செய்கின்றன. அந்தத் தரவைச் சேகரிப்பது அல்ல, அதற்கு இன்னொரு, வல்லமைமிக்க, திறன் தொகுப்பு தேவைப்படுகிறது. ஆனால் நரம்பியல் விஞ்ஞானிகள் மூளையைப் பற்றிய விஞ்ஞான கேள்விகளுக்கு பதிலளிக்க அந்த தரவுகளில் நவீன கணக்கீட்டு நுட்பங்களின் முழு வரம்பைப் பயன்படுத்துகின்றனர். ஒரு நரம்பியல் தரவு அறிவியல் வெளிப்பட்டுள்ளது.

நரம்பியல் தரவு விஞ்ஞானிகளின் இந்த குலம் நான் அவர்களில் ஒருவன் என்று மாறிவிடும். தற்செயலாக. என்னால் சொல்ல முடிந்தவரை, எல்லா அறிவியல் துறைகளும் அப்படித்தான் பிறக்கின்றன: தற்செயலாக. ஆராய்ச்சியாளர்கள் தங்கள் மூக்கைப் பின்தொடர்கிறார்கள், புதிய விஷயங்களைச் செய்யத் தொடங்குகிறார்கள், திடீரென்று விருந்துகளில் சமையலறையில் அவர்களில் ஒரு சிறிய கூட்டம் இருப்பதைக் காணலாம் (ஏனென்றால் அது பானங்கள் இருக்கும் இடத்தில்தான், குளிர்சாதன பெட்டியில் - விஞ்ஞானிகள் புத்திசாலிகள்). எனவே நரம்பியல் தரவு அறிவியலுக்கான ஒரு சிறிய அறிக்கை இங்கே: அது ஏன் உருவாகிறது, அதைச் செய்வது பற்றி நாம் எவ்வாறு அமைக்கலாம்.

தரவு விஞ்ஞானத்தை துப்பிய விஞ்ஞானத்தின் அனைத்து பகுதிகளுக்கும் ஒரே மாதிரியானது ஏன்: தரவுகளின் அளவு கையை விட்டு வெளியேறுகிறது. நிறைய நியூரான்களை பதிவு செய்யும் அறிவியலுக்கு, இந்த தரவு பிரளயம் ஒரு வகையான விஞ்ஞான பகுத்தறிவைக் கொண்டுள்ளது. நியூரான்களுக்கு இடையில் செய்திகளை அனுப்புவதன் மூலம் மூளை செயல்படுகிறது. அந்தச் செய்திகளில் பெரும்பாலானவை மின்சாரத்தின் சிறிய பருப்புகளின் வடிவத்தை எடுக்கின்றன: கூர்முனை, நாங்கள் அவற்றை அழைக்கிறோம். எனவே பலருக்கு மூளை எவ்வாறு இயங்குகிறது என்பதைப் புரிந்து கொள்ள விரும்பினால் (அவை வேலை செய்யாதபோது) அனைத்து நியூரான்களுக்கும் இடையில் அனுப்பப்படும் அனைத்து செய்திகளையும் நாம் கைப்பற்ற வேண்டும். அதாவது, முடிந்தவரை பல நியூரான்களிலிருந்து பல கூர்முனைகளைப் பதிவுசெய்கிறது.

ஒரு குழந்தை ஜீப்ராஃபிஷ் மூளையில் சுமார் 130,000 நியூரான்கள் உள்ளன, அவற்றுக்கிடையே குறைந்தது 1 மில்லியன் இணைப்புகள் உள்ளன; ஒரு பம்பல்பீ மூளையில் சுமார் ஒரு மில்லியன் நியூரான்கள் உள்ளன. இது எப்படி விரைவாக கையை விட்டு வெளியேறும் என்பதை நீங்கள் பார்க்கலாம். இப்போது நாம் ஒரே நேரத்தில் பத்து முதல் சில நூறு நியூரான்களுக்கு இடையில் நிலையான கிட் மூலம் பதிவு செய்கிறோம். வரம்பில் மக்கள் சில ஆயிரங்களைப் பதிவு செய்கிறார்கள், மேலும் சிலர் பல்லாயிரக்கணக்கானவர்களைப் பெறுகிறார்கள் (இந்த பதிவுகள் நியூரான்களின் செயல்பாட்டை நியூரான்கள் தங்கள் கூர்முனைகளை அனுப்புவதை விட மிக மெதுவான விகிதத்தில் கைப்பற்றினாலும்).

இந்த பைத்தியக்காரத்தனமான அமைப்புகளை நரம்பியல் என்று அழைக்கிறோம்: நரம்பியல், நியூரான்களின் ஆய்வுக்காக; அமைப்புகள், ஒரு நேரத்தில் ஒன்றுக்கு மேற்பட்ட நியூரான்களிலிருந்து பதிவு செய்ய தைரியம். மேலும் தரவு மனதை வளைக்கும் வகையில் சிக்கலானது. நம்மிடம் இருப்பது ஒரே நேரத்தில் பதிவுசெய்யப்பட்ட பல்லாயிரக்கணக்கான நேரத் தொடர்கள், ஒவ்வொன்றும் ஒரு நியூரானிலிருந்து வரும் ஸ்பைக்கிங் நிகழ்வுகளின் ஸ்ட்ரீம் (உண்மையான கூர்முனை அல்லது சில மறைமுக அளவீடுகள்). வரையறையின்படி, அவை நிலையானவை அல்ல, அவற்றின் புள்ளிவிவரங்கள் காலப்போக்கில் மாறுகின்றன. அவர்களின் செயல்பாட்டு விகிதங்கள் துறவி போன்ற அமைதியான சிந்தனையிலிருந்து "காற்று சுரங்கத்தில் டிரம் கிட்" வரை பல ஆர்டர்களில் பரவுகின்றன. அவற்றின் செயல்பாட்டு முறைகள் கடிகாரம் போன்ற வழக்கமான தன்மை, திணறல் மற்றும் பிளவுபடுதல், பித்து மற்றும் சோர்வு ஆகியவற்றுக்கு இடையில் மாறுதல் வரை இருக்கும்.

இப்போது நீங்கள் நியூரான்களை பதிவுசெய்த விலங்கின் நடத்தைக்கு திருமணம் செய்து கொள்ளுங்கள். இந்த நடத்தை நூற்றுக்கணக்கான தேர்வுகள்; அல்லது கை அசைவுகள்; அல்லது சூழல் வழியாக எடுக்கப்பட்ட வழிகள். அல்லது ஒரு உணர்வு உறுப்பின் இயக்கம், அல்லது தசையின் முழு தோரணை. பல விலங்குகளுக்கு மீண்டும் செய்யவும். பல மூளை பகுதிகள் இருக்கலாம். மற்றும் சில நேரங்களில் முழு மூளை.

எங்களிடம் அடிப்படை உண்மை இல்லை. சரியான பதில் இல்லை; நடத்தை தவிர, தரவுக்கான பயிற்சி லேபிள்கள் எதுவும் இல்லை. மூளை நடத்தை எவ்வாறு குறியாக்குகிறது என்பது எங்களுக்குத் தெரியாது. எனவே நடத்தை லேபிள்களால் நாம் காரியங்களைச் செய்யலாம், ஆனால் இவை எப்போதும் பதில் இல்லை என்பதை நாங்கள் எப்போதும் அறிவோம். அவை “பதில்” என்பதற்கான தடயங்கள்.

சிஸ்டம்ஸ் நியூரோ சயின்ஸ் என்பது பின்னர் நரம்பியல் பற்றிய அறிவை திருமணம் செய்து கொள்ளக்கூடியவர்களுக்கு தரவைப் பகுப்பாய்வு செய்வதற்கான ஒரு சிறந்த விளையாட்டு மைதானமாகும். ஒரு நரம்பியல் தரவு அறிவியல் பிறக்கிறது.

அது எப்படி - அல்லது செய்ய முடியுமா - செய்ய முடியுமா? இங்கே ஒரு கடினமான வழிகாட்டி. நரம்பியல் தரவு விஞ்ஞானியின் ரைசன் டி'டெரே என்பது அமைப்புகளின் நரம்பியல் அறிவியலிலிருந்து தரவின் அறிவியல் கேள்விகளைக் கேட்பது; கேட்க: இந்த நியூரான்கள் அனைத்தும் தங்கள் காரியத்தைச் செய்ய எவ்வாறு ஒன்றிணைகின்றன?

அந்த கேள்விக்கு நாம் பதிலளிக்க சுமார் மூன்று வழிகள் உள்ளன. இயந்திர கற்றலில் நிறுவப்பட்ட வகுப்புகள் மற்றும் அமைப்புகள் நரம்பியல் அறிவியலில் கணக்கீட்டு சவால்களுக்கு இடையிலான கடிதப் பரிமாற்றத்தைப் பார்ப்பதன் மூலம் இந்த மூன்று வழிகளைக் காணலாம். நாம் என்ன வேலை செய்ய வேண்டும் என்பதைப் பார்த்து ஆரம்பிக்கலாம்.

காலப்போக்கில் நாங்கள் சேகரித்த n நியூரான்களிலிருந்து சில தரவு எங்களிடம் உள்ளது. நியூரான்கள் போன்ற பல நெடுவரிசைகள், மற்றும் நாங்கள் பதிவுசெய்த நேரப் புள்ளிகள் போன்ற பல வரிசைகள் (ஒரு "நேர-புள்ளி" எவ்வளவு காலம் நீடிக்கும் என்பது எங்களுடையது: நாம் எக்ஸ் என்று அழைக்கும் ஒரு மேட்ரிக்ஸில் இவற்றைக் கட்டுவோம். இதைச் சுருக்கமாகச் செய்து, ஒவ்வொரு நுழைவு பதிவையும் ஒரு ஸ்பைக்கிற்கு 1 ஆகவும், இல்லையெனில் 0 ஐயும் வைத்திருங்கள். அல்லது நாம் அதை நீளமாக்கலாம், மேலும் ஒவ்வொரு நுழைவும் அந்த கழிந்த நேரத்தில் கூர்முனைகளின் எண்ணிக்கையை பதிவு செய்கிறது). அந்த நேரத்தில், உலகில் விஷயங்கள் நடந்து கொண்டிருக்கின்றன - உடல் என்ன செய்து கொண்டிருக்கிறது என்பது உட்பட. ஆகவே, நாம் அனைத்தையும் ஒரு மேட்ரிக்ஸில் சேர்ப்போம் - நாம் விரும்பும் உலகில் அம்சங்கள் இருப்பதால் பல நெடுவரிசைகள், மற்றும் அந்த அம்சங்களுக்காக நாங்கள் பதிவுசெய்த நேர புள்ளிகள் போன்ற பல வரிசைகள்.

பாரம்பரியமாக, இயந்திர கற்றல் என்பது உலகின் நிலை மற்றும் கிடைக்கக்கூடிய தரவு பற்றி மூன்று வகை மாதிரிகளை உருவாக்குவதை உள்ளடக்குகிறது: உற்பத்தி, பாகுபாடு மற்றும் அடர்த்தி. ஒரு தோராயமான வழிகாட்டியாக, அமைப்புகள் நரம்பியல் அறிவியலில் ஒவ்வொரு வகுப்பும் எவ்வாறு ஒரு அடிப்படை கேள்விக்கு ஒத்திருக்கிறது என்பதை இந்த அட்டவணை காட்டுகிறது:

1 / அடர்த்தி மாதிரிகள் பி (எக்ஸ்): கூர்முனைகளில் அமைப்பு உள்ளதா? மந்தமானதாகத் தெரிகிறது. ஆனால் உண்மையில் இது நரம்பியல் ஆராய்ச்சியின் பெரும் மாற்றங்களுக்கு முக்கியமானது, இதில் மூளையில் ஏதாவது (ஒரு மருந்து, ஒரு நடத்தை, ஒரு தூக்கம்) விளைவை நாம் அறிய விரும்புகிறோம்; இதில் நாம் கேட்கிறோம்: நரம்பியல் செயல்பாட்டின் கட்டமைப்பு எவ்வாறு மாறிவிட்டது?

நியூரான்களின் தொகுப்பைப் பதிவுசெய்து, இதற்கு மூன்று வழிகளில் பதிலளிக்கலாம்.

முதலில், ஒவ்வொரு நியூரானின் ஸ்பைக்-ரயிலையும், எக்ஸ் ஒவ்வொரு நெடுவரிசையின் புள்ளிவிவரங்களையும் அளவிடுவதன் மூலம், ஸ்பைக்கிங் வீதத்தைப் போல அளவிட முடியும். பின்னர் கேளுங்கள்: இந்த புள்ளிவிவரங்களுக்கான மாதிரி பி (எக்ஸ்) என்ன? நியூரானின் “வகைகளை” கண்டுபிடிக்க இந்த புள்ளிவிவரங்களை நாம் கொத்து செய்யலாம்; அல்லது அவற்றின் முழு கூட்டு விநியோகத்திற்கும் மாதிரிகள் பொருந்தும். எந்த வகையிலும், ஒற்றை நியூரான்களின் கிரானுலாரிட்டியில் தரவு கட்டமைப்பின் சில மாதிரி எங்களிடம் உள்ளது.

இரண்டாவதாக, முழு மக்கள்தொகையின் செயல்பாட்டின் உருவாக்கும் மாதிரிகளை உருவாக்கலாம், எக்ஸ் வரிசைகளைப் பயன்படுத்தி - முழு மக்கள்தொகையின் கணம் முதல் கணம் செயல்பாட்டின் திசையன்கள். இத்தகைய மாதிரிகள் பொதுவாக எக்ஸ் கட்டமைப்பை ஒரு சில தடைகளிலிருந்து மீண்டும் உருவாக்க முடியும் என்பதைப் புரிந்துகொள்வதை நோக்கமாகக் கொண்டுள்ளன, அவை எத்தனை திசையன்களில் எத்தனை கூர்முனைகளைக் கொண்டிருக்கின்றன என்பதற்கான விநியோகமாக இருந்தாலும் சரி; அல்லது நியூரான்களுக்கு இடையிலான ஜோடிவரிசை தொடர்புகள்; அல்லது அதன் சேர்க்கைகள். சுயாதீனமான அல்லது சலிப்பான எளிய நியூரான்களின் தொகுப்பின் கூட்டு செயல்பாட்டை விட வேறு ஏதேனும் இருந்தால், மக்கள்தொகையின் செயல்பாட்டில் ஏதேனும் சிறப்பு சாஸ் இருந்தால் வேலை செய்வதற்கு இவை மிகவும் பயனுள்ளதாக இருக்கும்.

மூன்றாவதாக, X இல் உள்ள நரம்பியல் செயல்பாடு குறைந்த பரிமாண இடத்தின் சில உயர் பரிமாண உணர்தல் என்ற நிலையை நாம் எடுக்கலாம், அங்கு பரிமாணங்களின் எண்ணிக்கை D << n. பொதுவாக இதை நாம் குறிக்கிறோம்: X இல் உள்ள சில நியூரான்கள் ஒன்றோடொன்று தொடர்புடையவை, எனவே மக்கள்தொகையைப் புரிந்துகொள்ள எக்ஸ் முழுவதையும் நாம் பயன்படுத்தத் தேவையில்லை - அதற்கு பதிலாக அவற்றை மிக எளிமையான பிரதிநிதித்துவத்துடன் மாற்றலாம். நாம் நேரத் தொடரை நேரடியாகக் கொத்தாகக் கொள்ளலாம், எனவே X ஐ N சிறிய மெட்ரிக்ஸின் தொகுப்பாக X_1 முதல் X_N வரை சிதைக்கிறது, ஒவ்வொன்றும் அதற்குள் (ஒப்பீட்டளவில்) வலுவான தொடர்புகளைக் கொண்டுள்ளன, எனவே அவை சுயாதீனமாக நடத்தப்படலாம். அல்லது காலப்போக்கில் மக்கள்தொகையின் செயல்பாட்டில் மாறுபடும் ஒரு ஆதிக்க வடிவத்தை ஒவ்வொன்றும் விவரிக்கும் ஒரு சிறிய நேரத் தொடரைப் பெற, முதன்மை கூறுகள் பகுப்பாய்வு போன்ற ஒருவித பரிமாணக் குறைப்பு அணுகுமுறையைப் பயன்படுத்தலாம்.

இதை விட அதிகமாக நாம் செய்ய முடியும். நியூரான்களைக் குறைக்க நாம் பரிமாணக் குறைப்பைப் பயன்படுத்த விரும்புகிறோம் என்று மேலே கூறப்படுகிறது - எக்ஸ் நெடுவரிசைகளுக்கு குறைப்பைப் பயன்படுத்துகிறோம். ஆனால் எக்ஸ் வரிசைகளுக்கு பரிமாணக் குறைப்பைப் பயன்படுத்துவதன் மூலம் நேரத்தை எளிதாகக் குறைக்க முடியும். நரம்பியல் செயல்பாடு தேவையற்றதா என்று கேட்பதற்கு பதிலாக , இது வெவ்வேறு தருணங்களில் நரம்பியல் செயல்பாட்டின் ஒத்த வடிவங்களைக் கொண்டிருக்கிறதா என்று கேட்கிறது. இவற்றில் ஒரு சிலரே இருந்தால், தெளிவாக பதிவுசெய்யப்பட்ட நியூரான்களின் இயக்கவியல் மிகவும் எளிமையானது.

டைனமிக் சிஸ்டம்ஸ் அணுகுமுறைகளிலும் நாம் இங்கே வீசலாம். இங்கே நாம் காலப்போக்கில் எக்ஸ் மாற்றங்களுக்கு எளிய மாதிரிகள் பொருத்த முயற்சிக்கிறோம் (அதாவது ஒரு வரிசையில் இருந்து அடுத்த வரிசையில் மேப்பிங்), மேலும் எக்ஸ் கொண்ட டைனமிக்ஸ் வகைகளை அளவிட அந்த மாதிரிகளைப் பயன்படுத்துகிறோம் - “ஈர்ப்பவர்”, “பிரிப்பு”, “ சேணம் முனை ”,“ பிட்ச்போர்க் பிளவுபடுத்தல் ”மற்றும்“ அர்செனல் சரிவு ”(அவற்றில் ஒன்று மட்டுமே உண்மையான விஷயம் அல்ல). தரவுகளின் கட்டமைப்பை விவரிக்கையில், அனைத்து அடர்த்தி மாதிரிகள் பி (எக்ஸ்) என்று பொருத்தப்பட்ட மாறும் மாதிரிகள் என்று ஒருவர் வாதிடலாம்.

நரகத்தில், ஒரு நரம்பியல் சுற்றுவட்டத்தின் முழு இயக்கவியல் மாதிரியையும், ஒவ்வொரு நியூரானையும் விவரிக்கும் வேறுபட்ட சமன்பாடுகளின் தொகுப்பை, எக்ஸ் வரை கூட முயற்சித்து பொருத்த முடியும், இதனால் ஒவ்வொரு முறையும் வெவ்வேறு ஆரம்ப நிலைமைகளிலிருந்து மாதிரியை இயக்கும் போது எங்கள் மாதிரி பி (எக்ஸ்) மாதிரியாக இருக்கும். .

இந்த அடர்த்தி மாதிரிகள் மூலம், வெவ்வேறு மாநிலங்களில் (எஸ் 1, எஸ் 2,…, எஸ்.எம்) பதிவுசெய்த நரம்பியல் செயல்பாடுகளுக்கு அவற்றைத் தனித்தனியாகப் பொருத்தலாம், மேலும் இது போன்ற கேள்விகளுக்கு பதிலளிக்கலாம்: நியூரான்களின் மக்கள்தொகையின் அமைப்பு தூக்கத்திற்கும் தூக்கத்திற்கும் இடையில் எவ்வாறு மாறுகிறது? எழுந்திருக்கிறீர்களா? அல்லது விலங்கின் வளர்ச்சியின் போது? அல்லது ஒரு பணியைக் கற்றுக் கொள்ளும் போது (S1 சோதனை 1, மற்றும் S2 சோதனை 2; அல்லது S1 என்பது அமர்வு 1 மற்றும் S2 அமர்வு 2; அல்லது அதன் பல சேர்க்கைகள்). நாம் கேட்கலாம்: நியூரானின் செயல்பாடு எத்தனை பரிமாணங்களைக் கொண்டுள்ளது? புறணி வெவ்வேறு பகுதிகளுக்கு இடையில் பரிமாணங்கள் வேறுபடுகின்றனவா? என் சாவியை யாராவது பார்த்திருக்கிறார்களா?

2 / உருவாக்கும் மாதிரிகள் பி (எக்ஸ் | எஸ்): ஸ்பைக்கிற்கு என்ன காரணம்? இப்போது நாங்கள் பேசுகிறோம். நேரியல்-நேரியல் அல்லாத மாதிரிகள் அல்லது பொதுவான நேரியல் மாதிரிகள் போன்றவை. பொதுவாக இந்த மாதிரிகள் ஒற்றை நியூரான்களுக்கும், X இன் ஒவ்வொரு நெடுவரிசைக்கும் பயன்படுத்தப்படுகின்றன. அவற்றுடன் நாம் உலகின் S இன் நிலையை உள்ளீடாகப் பயன்படுத்தும் ஒரு மாதிரியைப் பொருத்துகிறோம், மேலும் நியூரானின் செயல்பாட்டுக்கு முடிந்தவரை நெருக்கமாக பொருந்தக்கூடிய ஒரு நரம்பியல் செயல்பாட்டுத் தொடரைத் துப்புகிறோம். நியூரானின் செயல்பாட்டை இனப்பெருக்கம் செய்வதில் எஸ் இன் ஒவ்வொரு அம்சத்திற்கும் கொடுக்கப்பட்ட எடையை ஆராய்வதன் மூலம், அந்த நியூரானானது எதைப் பற்றித் தோன்றுகிறது என்பதைப் பற்றி நாம் வேலை செய்யலாம்.

"உலகின் நிலை" என்று எண்ணுவதில் சில நெகிழ்வுத்தன்மையைக் கொண்ட ஒரு மாதிரியை நாங்கள் தேர்வு செய்ய விரும்பலாம். நியூரானின் சொந்த கடந்தகால செயல்பாட்டை ஒரு அம்சமாக நாம் சேர்க்கலாம், மேலும் அது கடந்த காலத்தில் செய்ததைப் பற்றி அக்கறை கொள்கிறதா என்று பார்க்கவும். சில வகையான நியூரான்களுக்கு, பதில் ஆம். வெடிப்பது ஒரு நியூரானில் இருந்து நிறைய எடுக்கலாம், மேலும் அது மீண்டும் செல்லுமுன் அது ஒரு அதிகாலை ஓய்வெடுக்க வேண்டும். நியூரான் துப்பாக்கிச் சூடு நடத்தும்போது, ​​உலகின் எஸ் மாநிலத்தின் ஒரு பகுதியாக, நாம் இன்னும் விரிவாக சிந்திக்கலாம், மீதமுள்ள எஞ்சியவர்களையும் - மீதமுள்ள எக்ஸ் - ஐ சேர்க்கலாம். எல்லாவற்றிற்கும் மேலாக, நியூரான்கள் எப்போதாவது ஒருவருக்கொருவர் துப்பாக்கிச் சூட்டை பாதிக்கின்றன, அல்லது நான் நம்புவதற்கு வழிவகுத்தேன். எனவே காட்சி கோர்டெக்ஸில் ஒரு நியூரானின் பதில் வெளி உலகில் ஒரு விளிம்பின் நோக்குநிலையால் இயக்கப்படுவதில்லை என்பதோடு, அதனுடன் இணைக்கும் 10000 கார்டிகல் நியூரான்களும் என்ன செய்கின்றன என்பதைப் பொறுத்தது. நாம் கற்றுக்கொள்வது மக்கள்தொகையில் ஏறக்குறைய மிகவும் செல்வாக்குள்ள நியூரான்கள்.

இந்த உற்பத்தி மாதிரிகள் ஒற்றை நியூரான்களுக்கு நாம் பயன்படுத்த வேண்டியதில்லை. அவற்றை எங்கள் அடர்த்தி மாதிரிகளுக்கு சமமாகப் பயன்படுத்தலாம்; ஒவ்வொரு கிளஸ்டர் அல்லது பரிமாணமும் உலகைப் பற்றி என்ன குறியாக்குகிறது என்று நாம் கேட்கலாம். அல்லது, இங்கே சிலர் செய்ததைப் போல, அடர்த்தி மாதிரியை நாம் உலகின் நிலையாகப் பயன்படுத்தலாம், மேலும் அந்த மாதிரியின் கீழ்நிலை நியூரான்கள் என்ன அம்சங்களைப் பற்றி கேட்கின்றன என்று கேட்கலாம்.

இந்த உருவாக்கும் மாதிரிகள் மூலம் நாம் பதிலளிக்கக்கூடிய கேள்விகளின் வகைகள் மிகவும் வெளிப்படையானவை: நியூரானின் பதிலை எந்த அம்சங்களின் கலவையானது சிறப்பாகக் கணிக்கிறது? ஒரு விஷயத்திற்கு தேர்ந்தெடுக்கப்பட்ட நியூரான்கள் உள்ளனவா? நியூரான்கள் ஒருவருக்கொருவர் எவ்வாறு செல்வாக்கு செலுத்துகின்றன?

3 / பாரபட்சமான மாதிரிகள் பி (எஸ் | எக்ஸ்): கூர்முனை என்ன தகவலைக் கொண்டு செல்கிறது? இது எங்கள் நரம்பியல் அறிவியலில் ஒரு முக்கிய கேள்வியாகும், ஏனெனில் இது எங்கள் பதிவுசெய்யப்பட்ட மக்கள்தொகையில் இருந்து கீழ்நோக்கி இருக்கும் அனைத்து நியூரான்களும் எதிர்கொள்ளும் சவால் - நாம் பதிவுசெய்த நியூரான்களிலிருந்து உள்ளீடுகளைப் பெறும் அனைத்து நியூரான்களும் எங்கள் மேட்ரிக்ஸ் எக்ஸில் அடைக்கப்பட்டுள்ளன. அந்த கீழ்நிலை நியூரான்கள் எதை ஊகிக்க வேண்டும் கூர்முனைகளை மட்டுமே அடிப்படையாகக் கொண்ட வெளி உலகத்தைப் பற்றி அவர்கள் தெரிந்து கொள்ள வேண்டும்.

இங்கே நாம் நிலையான வகைப்படுத்திகளைப் பயன்படுத்தலாம், அவை பெயரிடப்பட்ட வெளியீடுகளில் உள்ளீடுகளை வரைபடமாக்குகின்றன. எக்ஸ் வரிசைகளை உள்ளீடாகப் பயன்படுத்தலாம், ஒவ்வொன்றும் மக்கள்தொகையின் செயல்பாட்டின் ஒரு ஸ்னாப்ஷாட், மற்றும் எஸ் இன் தொடர்புடைய வரிசைகளில் ஒன்று, சில, அல்லது அனைத்து அம்சங்களையும் கணிக்க முயற்சிக்கலாம். சில நேர தாமதத்துடன் இருக்கலாம், எனவே நாம் X_t வரிசையைப் பயன்படுத்துகிறோம் மூளைக்கு உள்ளீடாக இருக்கும் மக்கள் தொகை குறியீடு எவ்வாறு கூறுகிறது என்பதில் நாங்கள் ஆர்வமாக இருந்தால், கடந்த காலங்களில் n படிகளாக இருந்த S_t-n நிலையை கணிக்கவும்; அல்லது உலகில் மூளையின் சில விளைவுகளுக்கு மக்கள் குறியீடு எவ்வாறு இருக்கும் என்பதில் நாங்கள் ஆர்வமாக இருந்தால், எதிர்காலத்தில் n படிகளான S_t + n நிலையை கணிக்க X_t வரிசையைப் பயன்படுத்தலாம். நான் இப்போது ஒவ்வொரு கடிதத்தையும் தட்டச்சு செய்வதற்கு முன்பு நடக்கும் மோட்டார் கார்டெக்ஸின் செயல்பாட்டைப் போல.

எந்தவொரு வழியிலும், எக்ஸ் வரிசையின் சில (ஆனால் அனைத்துமே இல்லை), மற்றும் எக்ஸ் இன் மிகச் சிறந்த மேப்பிங்கைக் கண்டுபிடிப்பதற்கு வகைப்படுத்தியைப் பயிற்றுவிக்கிறோம். அதனுடன் தொடர்புடைய எஸ். மீதமுள்ள எக்ஸில் இருந்து மீதமுள்ள எஸ் ஐ கணிக்கவும். நீங்கள் அசாதாரண அதிர்ஷ்டசாலி என்றால், உங்கள் எக்ஸ் மற்றும் எஸ் ஆகியவை நீண்ட காலமாக இருக்கக்கூடும், அவற்றை நீங்கள் ரயில், சோதனை மற்றும் செட் என பிரிக்க முடியும். கடைசியாக பூட்டிய பெட்டியில் வைக்கவும்.

நாம் விரும்பும் அளவுக்கு சக்திவாய்ந்த ஒரு வகைப்படுத்தியைப் பயன்படுத்தலாம். லாஜிஸ்டிக் பின்னடைவிலிருந்து, பேய்சியன் அணுகுமுறைகள் மூலம், 23 அடுக்கு நரம்பியல் வலையமைப்பைப் பயன்படுத்துவது வரை. இது பதிலில் நீங்கள் எதை விரும்புகிறீர்கள் என்பதைப் பொறுத்தது, மேலும் நீங்கள் வசதியாக இருக்கும் விளக்கம் மற்றும் சக்திக்கு இடையிலான பரிமாற்றம். வேறு எங்கும் எனது எழுத்துக்கள் இந்த வர்த்தகத்தின் எந்தப் பக்கத்தை நான் ஆதரிக்க விரும்புகிறேன் என்பதை தெளிவுபடுத்தியுள்ளன. ஆனால் நான் தவறாக நிரூபிக்கப்பட்டதில் மகிழ்ச்சி அடைகிறேன்.

நியூரான்களின் குறியாக்க மாதிரிகள் நுண்ணறிவுள்ளவை, ஆனால் சில பழைய மற்றும் ஆழமான தத்துவ சிக்கல்களைத் தொடுகின்றன. ஒரு பாகுபாடான மாதிரியைப் பயன்படுத்தி குறியீட்டு முறையைச் சோதிப்பது, கீழ்நிலை ஏதோ ஒன்று நரம்பியல் செயல்பாட்டிலிருந்து S ஐ டிகோட் செய்ய முயற்சிக்கிறது என்று கருதுகிறது. இதில் இரண்டு சிக்கல்கள் உள்ளன. நியூரான்கள் டிகோட் செய்யாது; நியூரான்கள் கூர்முனைகளை உள்ளீடாக எடுத்து அவற்றின் சொந்த கூர்முனைகளை வெளியிடுகின்றன. மாறாக, அவை ஒரு கூர்முனைகளிலிருந்து மற்றொரு தொகுப்பில் மீண்டும் குறியிடுகின்றன: ஒருவேளை குறைவாகவோ அல்லது மெதுவாகவோ; ஒருவேளை அதிகமாக, அல்லது வேகமாக; ஒரு நிலையான நீரோட்டத்திலிருந்து ஒரு ஊசலாட்டமாக இருக்கலாம். எனவே பாகுபாடான மாதிரிகள் நமது நியூரான்கள் மறு குறியீட்டு முறை என்ன தகவலைக் கேட்கின்றன. ஆனால் இந்த கருத்தை நாம் எடுத்துக் கொண்டாலும், ஒரு ஆழமான சிக்கல் உள்ளது.

மிகக் குறைந்த விதிவிலக்குகளுடன், "கீழ்நிலை" நியூரான் போன்ற எதுவும் இல்லை. எக்ஸ் இல் நாம் பதிவுசெய்த நியூரான்கள் சிக்கலான கம்பி மூளையின் ஒரு பகுதியாகும், முடிவில்லாத சுழல்கள் நிறைந்தவை; அவற்றின் வெளியீடு அவற்றின் சொந்த உள்ளீட்டை பாதிக்கிறது. மோசமான விஷயம் என்னவென்றால், X இல் உள்ள சில நியூரான்கள் மற்றவர்களிடமிருந்து கீழ்நோக்கி உள்ளன: அவற்றில் சில நேரடியாக மற்றவர்களுக்கு உள்ளீடு செய்கின்றன. ஏனெனில், மேலே குறிப்பிட்டுள்ளபடி, நியூரான்கள் ஒருவருக்கொருவர் செல்வாக்கு செலுத்துகின்றன.

ஒரு நரம்பியல் தரவு அறிவியலுக்கான தோராயமான, ஒருவேளை பயனுள்ள, அறிக்கை. அது முழுமையற்றது; மேலே உள்ள ஏதேனும் தவறு என்பதில் சந்தேகமில்லை (வழக்கமான முகவரிக்கான அஞ்சலட்டையில் பதில்கள்). மேலே உள்ளவை ஆய்வகங்களின் குழுவின் பணியை மிகவும் மாறுபட்ட ஆர்வங்களுடன் ஒருங்கிணைப்பதற்கான ஒரு முயற்சியாகும், ஆனால் மூளை எவ்வாறு செயல்படுகிறது என்பது பற்றிய ஆழமான கேள்விகளுக்கு பதிலளிக்க இந்த வகையான மாதிரிகளை பெரிய அளவிலான நரம்பியல் தரவுகளில் பயன்படுத்துவதற்கான பொதுவான இயக்கி. இவற்றில் பல தரவு ஆய்வகங்கள், தங்கள் சொந்த கேள்விகளுக்கு பதிலளிக்க சோதனை தரவை பகுப்பாய்வு செய்யும் அணிகள்; ஒரு சில பெயர்களைக் குறிப்பிட - ஜொனாதன் தலையணை; கிறிஸ்டியன் மச்சென்ஸ்; கொன்ராட் கோர்டிங்; கனகா ராஜன்; ஜான் கன்னிங்ஹாம்; அட்ரியன் ஃபேர்ஹால்; பிலிப் பெரன்ஸ்; சியான் ஓ'டோனெல்; இல் மெம்மிங் பார்க்; ஜாகோப் மேக்; கேஸ்பர் டகாசிக்; ஆலிவர் மர்ரே. உம், நான். மற்றவை வலுவான தரவு அறிவியல் விருப்பங்களைக் கொண்ட சோதனை ஆய்வகங்கள்: அன்னே சர்ச்லேண்ட்; மார்க் சர்ச்லேண்ட்; நிக்கோல் ரஸ்ட்; கிருஷ்ணா ஷெனாய்; கார்லோஸ் பிராடி; இன்னும் பலர் பெயரிடாததற்கு நான் மன்னிப்பு கேட்டுக்கொள்கிறேன்.

இந்த வகையான வேலைகள் வரவேற்கப்படும் மாநாடுகள் உள்ளன, இல்லை ஊக்குவிக்கப்படுகின்றன. நரம்பியல் தரவு அறிவியலுக்கான ஒரு பத்திரிகை அதன் பாதையில் உள்ளது. ஏதோ கட்டிக்கொண்டிருக்கிறது. உள்ளே வாருங்கள், தரவின் அருமையான *.

* ஆமாம், அந்த தந்திரமான நகைச்சுவையை வேலை செய்ய நான் தரவை ஒரு ஒற்றை என்று குறிப்பிட வேண்டியிருந்தது. இதை விளக்க நான் இந்த அடிக்குறிப்பை எழுதுகிறேன் என்பது விஞ்ஞானிகள் எதிர்பார்க்கும் விரிவான நரம்பியல் தரவு குறித்த விரைவான கவனத்தைப் பற்றிய சில யோசனையை உங்களுக்குத் தரும்.

இன்னும் வேண்டும்? தி ஸ்பைக்கில் எங்களைப் பின்தொடரவும்

ட்விட்டர்: dmarkdhumphries