思考の論理。 パート12.メモリーのトレース

この一連の記事では、従来のモデルとは大きく異なる脳の波動モデルについて説明します。 参加したばかりの人は最初の部分から読み始めることを強くお勧めします。



エングラムは、記憶時に脳に生じる変化と呼ばれます。 言い換えれば、エングラムは記憶の痕跡です。 エングラムの性質を理解することは、思考の性質を研究する際の重要なタスクとしてすべての研究者に認識されるのは当然です。



このタスクの難しさは何ですか？ 通常の本または外部コンピュータードライブを使用する場合、これらの両方をメモリと呼ぶことができます。 両方のストア情報。 しかし、保存するには十分ではありません。 情報が役立つようにするには、情報を読んで操作方法を知っている必要があります。 そして、ここでは、情報ストレージ自体の形式がその処理の原則に密接に関連していることがわかります。 一方が大きく他方を決定します。



人間の記憶は、さまざまな画像を幅広く保存するだけでなく、関連する記憶をすばやく見つけて再現できるツールでもあります。 さらに、メモリの任意のフラグメントへの連想アクセスに加えて、メモリを時系列のチェーンにリンクして、単一の画像ではなく一連のイベントを再現する方法も知っています。



ウィルダーグレイブスペンフィールドは、皮質の機能の研究に貢献したことで、当然の評価を得ました。 てんかんの治療に従事していた彼は、脳の開放手術のための技術を開発し、その間に電気刺激を使用して、てんかんの焦点を明らかにしました。 電極で脳のさまざまな部分を刺激し、ペンフィールドは意識のある患者の反応を記録しました。 これにより、大脳皮質の機能的組織の詳細なアイデアを得ることができました（Penfield、1950）。 一部のゾーン、主に側頭葉の刺激は、患者の鮮やかな記憶を呼び起こし、過去の出来事が非常に詳細に浮上しました。 さらに、同じ場所を繰り返し刺激すると、同じ記憶が呼び起こされました。



同じ明確にローカライズされた記憶の痕跡の検索に合わせて調整された多くの機能の皮質でPanfilによって明らかにされた明確なローカリゼーション。 さらに、コンピューターの出現と、それに応じてコンピューター情報の物理的なメディアがどのように編成されるかというアイデアは、脳の構造に類似した何かの検索を刺激しました。



1969年、ジェリーレスウィンは次のように述べています。「人間の脳が特殊なニューロンで構成され、さまざまなオブジェクトの固有の特性をエンコードする場合、原則として、脳のどこかに、祖母を認識して記憶するニューロンがなければなりません」 「おばあちゃんのニューロン」という言葉は定着しており、記憶装置の話になるとよく現れます。 さらに、直接的な実験的証拠が見つかりました。 特定の人や特定の現象を明確に認識するなど、特定の画像に反応するニューロンが検出されています。 確かに、より詳細な研究では、検出された「特殊化された」ニューロンは、1つのことだけでなく、類似したイメージの意味でのグループにも応答することが判明しました。 それで、ジェニファー・アニストンに反応したニューロンは、テレビシリーズのフレンドでアニストンを主演したリサ・クドローにも反応し、ルーク・スカイウォーカーを認識したニューロンはマスター・ヨーダ（R.K.クビロガ、K。 Koch、I. Fried、2013）。



20世紀の前半、カールラシュリーは記憶の局在化に関する非常に興味深い実験を設定しました。 最初はラットを訓練して迷路を抜け出す方法を見つけ、それから脳のさまざまな部分を取り除き、それを再び迷路に走らせました。 そこで彼は、獲得したスキルの記憶に関与する脳の部分を見つけようとしました。 しかし、時には運動能力の重大な違反にもかかわらず、何らかの形で記憶が常に保存されていることが判明しました。 これらの実験は、カール・プリブラムにインスピレーションを与えて、よく知られた人気のあるホログラフィック記憶の理論を定式化しました（Pribram、1971）。



ホログラフィの原理は、用語自体と同様に、1947年にDenesh Gaborによって発明され、1971年にノーベル物理学賞を受賞しました。 ホログラフィーの本質は次のとおりです。 安定した周波数の光源があり、それを半透明のミラーで2つに分割すると、2つのコヒーレントな光束が得られます。 1つのストリームはオブジェクトに向けられ、2番目のストリームは写真プレートに向けられます。





ホログラム作成



その結果、物体から反射された光が写真プレートに到達すると、プレートを照らす光束との干渉パターンが作成されます。



写真プレートに刻印された干渉パターンは、振幅だけでなく、オブジェクトによって反射されたライトフィールドの位相特性に関する情報も保存します。 これで、以前に露出したプレートを照らすと、元の光束が復元され、記憶されたオブジェクトがそのボリューム全体に表示されます。





ホログラム再生



ホログラムにはいくつかの驚くべき特性があります。 まず、光束はボリュームを維持します。つまり、ファントムオブジェクトをさまざまな角度から見ると、さまざまな側面から見ることができます。 次に、ホログラムの各セクションには、ライトフィールド全体に関する情報が含まれています。 したがって、ホログラムを半分にカットすると、最初にオブジェクトの半分だけが表示されます。 しかし、頭を傾けると、残りのホログラムの端を越えて、2番目の「トリミングされた」部分を見つけることができます。 はい、ホログラムの断片が小さいほど、解像度は低くなります。 しかし、小さな穴からでも、鍵穴を通して、画像全体を見ることができます。 興味深いことに、ホログラムに拡大鏡があれば、拡大鏡を使ってそこに取り込まれた他の物体を調べることができます。



メモリに適用されると、Pribramは次のように定式化しました。「ホログラフィックコンセプトの本質は、分散情報を含むシステムの形で表現がアクティブ状態になると画像が復元されることです」（Pribram、1971）



記憶のホログラフィック特性の言及は、2つの文脈で見つけることができます。 一方では、ホログラフィックメモリと呼ばれ、彼らはその分散された性質と、ニューロンの一部のみを使用して画像を復元する能力を強調します。 一方、ホログラムに類似した特性を持つメモリは、同じ物理的原理に基づいていると想定されています。 後者は、ホログラフィが光束の干渉パターンの固定に基づいているため、メモリは、情報のパルス符号化の結果として生じる干渉パターンをどうやら使用することを意味します。 脳のリズムはよく知られており、変動や波があるため、それらの干渉は避けられません。 そのため、物理的な類推は非常に適切で魅力的に見えます。



しかし、干渉は微妙なものであり、信号の周波数または位相の小さな変化は、その状況を完全に変えるはずです。 しかし、脳はまた、そのリズムに大きな変化があるとうまく機能します。 さらに、切片を解剖し、マイカをカットの場所に配置し、金箔のストリップを適用してクロージャーを作成し、アルミニウムペーストの注入によりてんかん病巣を作成することにより、電気的活動の広がりを妨げようとする試みは、脳の活動を病理学的に過度に妨害しません（Pribram、1971）。



記憶といえば、記憶と海馬の関係に関する既知の事実を無視することは不可能です。 1953年、一般にHM（ ヘンリー・モレゾン）と呼ばれる患者、外科医は海馬を摘出しました（W. Scoviille、B。Milner、1957）。 重度のてんかんを治すのは危険な試みでした。 半球の1つの海馬の除去がこの病気に本当に役立つことが知られていました。 HMのてんかんの例外的な力を考えると、医師は両側から海馬を取り除きました。 その結果、HMは何も記憶する能力を完全に失いました。 彼は手術前に彼に何が起こったのかを覚えていましたが、注意が移るとすぐに新しいものがすべて頭から飛び出しました。





ヘンリー・モレゾン



HMは長い間研究されてきました。 これらの研究の過程で、無数の異なる実験が行われました。 それらの1つは特に興味深いことが判明しました。 患者は、鏡で彼女を見ながら五five星を一周するように求められました。 これは非常に単純なタスクではなく、適切なスキルがないと困難を引き起こします。 タスクは、HMによって繰り返し与えられ、彼が初めて見たように知覚するたびに。 しかし興味深いのは、そのたびにタスクの達成が彼に与えられるのがますます簡単になることです。 繰り返しの実験の中で、彼自身ははるかに複雑になることが予想されることに気付いた。





半球の1つの海馬



さらに、出来事の特定の記憶はまだHMに固有のものであることが判明しました。たとえば、彼はケネディ暗殺について知っていましたが、海馬が彼から取り除かれた後に起こりました。



これらの事実から、少なくとも2つの異なるタイプのメモリがあると結論付けられました。 1つのタイプは特定の記憶の修正を担当し、もう1つは一般的な事実の知識または特定のスキルの習得で表される一般的な経験を取得する責任を負います。



HMのケースは非常にユニークです。 海馬の除去に関連する他の状況では、HMのような完全な両側性損傷はありませんでしたが、記憶障害はそれほど顕著ではなかったか、まったくありませんでした（W. Scoviille、B. Milner、1957）。



ここで、説明したすべてをモデルと比較してみましょう。 持続的な反復現象が検出ニューロンのパターンを形成することを示しました。 これらのパターンは、それらに特有の特徴の組み合わせを認識し、新しい識別子を波形パターンに追加できます。 概念識別子によるフィーチャの逆再生がどのように発生するかを示しました。 これは、一般的な経験の記憶と比較できます。



ただし、このような一般化されたメモリでは、特定のイベントを再作成することはできません。 同じ現象が異なる状況で繰り返される場合、ニューラルネットワークでは、現象に対応する概念とこれらの状況を説明する概念との間の連想的なつながりが得られます。 この結合性を使用すると、一緒に発生する概念で構成される抽象的な説明を作成できます。 イベントメモリのタスクは、特定の抽象的な画像を再現することではなく、固有のすべてのユニークな機能を備えた特定のイベントを記述する以前に記憶された状況を再現することです。



実際の難点は、私たちのモデルでは、何が起こっているのかについての完全かつ包括的な説明がローカライズされる場所がないことです。 完全な説明は、皮質の個々のゾーンでアクティブな多くの説明で構成されています。 各ゾーンには、脳のこの特定の領域に固有の用語で波の説明があります。 そして、各ゾーンで個別に何が起こっているかを何らかの形で覚えている場合でも、全体像が現れるようにこれらの記述をリンクする必要があります。



同様の状況は、局所的な受容野を持つ地形投影とニューロンがある場合に発生します。 2つのフラットレイヤーで構成されるニューラルネットワークがあるとします（下図）。 最初の層のニューロンの状態が特定の画像を形成すると仮定します。 この画像は、投影繊維を介して第2層に送信されます。 2番目の層のニューロンは、受容野の境界内にある繊維とシナプス結合しています。 したがって、第2層の各ニューロンには、第1層の元の画像の小さな断片しか見えません。





局所受容野での画像の地形投影



提供された画像を2番目のレイヤーに記憶する明らかな方法があります。 それらの受容野が投影された画像を完全にカバーするように、そのようなニューロンのセットを選択する必要があります。 各ニューロンで画像の断片を思い出してください。 そして、メモリが接続されるようにするために、これらのニューロンすべてを共通のマーカーでマークし、1つのセットに属していることを示します。



このような記憶は非常に簡単ですが、関与するニューロンの数が非常に無駄です。 新しい画像ごとに、メモリ要素の新しい分散セットが必要になります。



異なる画像に対して異なる共通のフラグメントが繰り返されることが判明した場合、節約を得ることができます。その場合、新しいニューロンにそのようなフラグメントを記憶させることはできませんが、新しい画像から別のマーカーを追加するだけで既存のニューロンを使用できます。



したがって、分散記憶の基本的な考え方に到達します。 最初に、画像と地形投影について説明します。



さまざまな画像を最初のゾーンに送信し、2番目のゾーンに投影します。 ニューロンの受容野を十分に小さくすると、各局所領域のユニークな写真の数はそれほど多くなりません。 局所領域のすべての一意のバージョンが領域に収まるように、受容野のサイズを選択できます。そのサイズは、ニューロンの受容野のサイズとほぼ一致します。



検出ニューロンを含む空間領域を作成します。 各領域にすべての可能な一意の画像の検出器が含まれていること、およびそのような領域が2番目のゾーンのスペース全体をカバーしていることを確認します。 これを行うには、前述の原則を使用して一連の要因を特定します。



検出器のタスクは、それらの受容野に供給された画像をそれらの特徴的な画像と比較することです。 このような画像の比較には、受容野Rの畳み込みを使用できます。







ニューロンの応答は、新しい画像が記憶された画像を覆うほど高くなります。 カバレッジの程度ではなく、画像の一致レベルに関心がある場合、画像の相関を使用できます。これは正規化された畳み込みにすぎません。







ところで、この同じ値は、画像ベクトルと重みベクトルによって形成される角度の余弦です。







その結果、検出器の各ローカルグループでは、新しい画像が送信されると、ローカルフラグメントを最も正確に記述するニューロン検出器がトリガーされます。



次に、次の操作を行います。新しい画像ごとに、独自の一意の識別子ラベルを生成し、アクティブなニューロン検出器でマークします。 画像の各供給には、活動の写真の皮質の第2ゾーンでの出現が伴うことがわかります。これは、第2ゾーンで利用可能な標識によるこの画像の説明です。 一意の識別子を作成し、検出器のアクティブニューロンでマークする-これは特定のイベントの記憶です。



マーカーの1つを選択し、それを含むニューロン検出器を見つけて、それらに特有のローカル画像を復元すると、元の画像の復元が得られます。



多くの異なる画像を記憶および再現するために、検出器ニューロンは変化しないシナプスの重みを持ち、覚えておく必要があるだけのマーカーを保存する能力を持たなければなりません。



簡単な例を使用して、分散暗記の作業を示しましょう。 さまざまな幾何学的形状の輪郭画像を上部ゾーンに生成するとします（下図）。





画像ファイル



非相関法によりさまざまな要因を強調するために、下部ゾーンをトレーニングします。 各小さな受容野に現れる主な画像は、異なる角度の線です。 他の画像、たとえば、幾何学的形状に固有の交差点と角度があります。 しかし、線が支配します。つまり、より頻繁に会います。 これは、主に要素の形で際立っていることを意味します。 このようなトレーニングの実際の結果を次の図に示します。





輪郭画像から抽出された因子のフィールドのフラグメント



受容野での位置が異なる多くの垂直線と水平線があることがわかります。 小さなバイアスでも、平行な「双子」と交差しない新しい要素が作成されるため、これは驚くことではありません。 隣接する並列の「ツイスト」が1つの要素に統合されるように、ネットワークを何らかの形で複雑化したとします。 さらに、下の図に示すように、考えられるすべての方向を特定の離散性で示す小さな領域で要因が出現したと仮定します。





1時間の解像度で異なる方向に対応する小さな領域の要因



次に、皮質ゾーン全体をトレーニングした結果は、次のように条件付きで表すことができます。





皮質ゾーンの学習の条件付き結果。 明確にするために、ニューロンは通常のグリッドに配置されていません。



それでは、皮質の訓練されたゾーンに正方形の画像を適用しましょう。 それらの受容野に特徴的な刺激を見るニューロンは活性化されます（下図）。





正方形の画像に対する皮質の訓練されたゾーンの反応



次に、ランダムな一意の番号（メモリの識別子）を生成します。 簡単にするために、ここではウェーブネットワークを使用しません。シナプスの重みに加えて、各ニューロンが識別子のセット、つまり無秩序な数の大きな配列を格納できるという仮定に限定します。 すべてのアクティブなニューロンに、そのセットで生成されたばかりの識別子を記憶させます。 実際、このアクションを使用して、表示されている正方形のメモリを修正します。



新しい画像を送信することにより、それらのそれぞれに一意の識別子を生成し、現在の画像に応答したニューロンに追加します。 , - , , , , , . , , . , , , , ( ).





, «»



, .



-, , . . , . « », , - . , , .



, , . -, , , , .



– . , , , .



-, , . , , . . , -, .



, , . .



. - , , , .



, . , - . , , , , .



, . – -, , .



, . , . , - , , . , . , . , , , , , . . , , « ».



HM , , , . , , . - , .



, . – -. , , , , - . . , . – , , . – , , . . , - , , .



, . - , , , , , . , , . , . , , , .



中古文学



継続



前のパーツ：

パート1.ニューロン

パート2.要因

パート3.パーセプトロン、畳み込みネットワーク

パート4.バックグラウンドアクティビティ

パート5。脳波

パート6.投影システム

パート7.ヒューマンコンピューターインターフェイス

パート8.波動ネットワークの要因の分離

9. -.

10.

11. .