Bilgiyi akılda tutmak, sinapslar arasında depolamak anlamına gelebilir
Kafenin menü panosundan Wi-Fi şifresini okuduğunuz an ile şifreyi girmek için dizüstü bilgisayarınıza geri döndüğünüz an arasında, şifreyi aklınızda tutmanız gerekir. Beyninizin bunu nasıl yaptığını merak ettiyseniz, araştırmacıların onlarca yıldır açıklamaya çalıştığı çalışma belleği hakkında bir soru soruyorsunuz demektir. Şimdi MIT nörobilimcileri bunun nasıl işlediğini açıklayan yeni ve önemli bir bulgu yayınladılar.
PLOS Computational Biology’de yer alan bir çalışmada, Picower Öğrenme ve Hafıza Enstitüsü’ndeki bilim insanları, çalışma belleği görevini yerine getiren bir hayvandaki beyin hücresi aktivitesi ölçümlerini, bilgiyi akılda tutmanın altında yatan mekanizmanın iki teorisini temsil eden çeşitli bilgisayar modellerinin çıktılarıyla karşılaştırdı. Sonuçlar, bir nöron ağının bağlantılarının veya sinapslarının modelinde kısa süreli değişiklikler yaparak bilgiyi depoladığı şeklindeki daha yeni kavramı güçlü bir şekilde desteklemiş ve hafızanın nöronların sürekli olarak aktif kalmasıyla (rölantide çalışan bir motor gibi) korunduğu şeklindeki geleneksel alternatifle çelişmiştir.
Her iki model de bilginin akılda tutulmasına izin verirken, yalnızca sinapsların bağlantıları geçici olarak değiştirmesine izin veren versiyonlar (“kısa vadeli sinaptik plastisite”), gerçek beyinlerde iş başında gözlemlenenleri taklit eden sinirsel aktivite kalıpları üretti. Kıdemli yazar Earl K. Miller, beyin hücrelerinin her zaman “açık” olarak anıları koruduğu fikrinin daha basit olabileceğini, ancak doğanın ne yaptığını temsil etmediğini ve kısa süreli sinaptik plastisite ile desteklenen aralıklı nöral aktiviteden kaynaklanabilecek sofistike düşünce esnekliğini üretemeyeceğini kabul etti.
MIT Beyin ve Bilişsel Bilimler Bölümü’nde (BCS) Picower Nörobilim Profesörü olan Miller, “Çalışma belleği faaliyetine esnek olması için gereken özgürlüğü vermek için bu tür mekanizmalara ihtiyacınız var” dedi. “Eğer çalışma belleği sadece sürekli bir faaliyet olsaydı, bir ışık anahtarı kadar basit olurdu. Ancak çalışma belleği düşüncelerimiz kadar karmaşık ve dinamiktir.”
Bu çalışma da dahil olmak üzere teorik modelleme çalışmaları için Kasım ayında MIT’de doktorasını alan eş lider yazar Leo Kozachkov, bilgisayar modellerini gerçek dünya verileriyle eşleştirmenin çok önemli olduğunu söyledi.
“Çoğu insan çalışma belleğinin nöronlarda ‘oluştuğunu’ düşünür – kalıcı nöral aktivite kalıcı düşüncelere yol açar. Ancak bu görüş, verilerle tam olarak uyuşmadığı için son zamanlarda inceleme altına alındı” diyen Kozachkov, BCS ve makine mühendisliğinde profesör olan eş kıdemli yazar Jean-Jacques Slotine’in eş danışmanlığını yaptı. “Kısa vadeli sinaptik plastisiteye sahip yapay sinir ağlarını kullanarak, sinaptik aktivitenin (sinirsel aktivite yerine) çalışma belleği için bir alt tabaka olabileceğini gösteriyoruz. Makalemizden çıkarılacak önemli sonuç şu: Bu ‘plastik’ sinir ağı modelleri niceliksel anlamda beyne daha çok benziyor ve ayrıca sağlamlık açısından ek işlevsel faydalara sahip.”
Modelleri doğa ile eşleştirmek
MIT yüksek lisans öğrencisi olan yardımcı yazar John Tauber ile birlikte Kozachkov’un amacı sadece çalışma belleği bilgilerinin akılda nasıl tutulabileceğini belirlemek değil, aynı zamanda doğanın bunu gerçekte hangi şekilde yaptığına ışık tutmaktı. Bu, bir hayvanın prefrontal korteksindeki yüzlerce nöronun çalışma belleği oyunu oynarkenki elektriksel “spiking” aktivitesinin “temel gerçek” ölçümleriyle başlamak anlamına geliyordu. Birçok turun her birinde hayvana bir görüntü gösterildi ve sonra bu görüntü kayboldu. Bir saniye sonra orijinali de içeren iki görüntü görüyor ve küçük bir ödül kazanmak için orijinaline bakmak zorunda kalıyordu. Kilit an, testten önce görüntünün akılda tutulması gereken ve “gecikme süresi” olarak adlandırılan o aradaki saniyedir.
Ekip, Miller’ın laboratuvarının daha önce birçok kez gördüğü şeyi tutarlı bir şekilde gözlemledi: Nöronlar orijinal görüntüyü gördüklerinde çok fazla pik yapıyor, gecikme sırasında sadece aralıklı olarak pik yapıyor ve ardından test sırasında görüntülerin hatırlanması gerektiğinde tekrar pik yapıyor (bu dinamikler beta ve gama frekanslı beyin ritimlerinin etkileşimi tarafından yönetiliyor). Başka bir deyişle, bilginin başlangıçta depolanması gerektiğinde ve geri çağrılması gerektiğinde sıçrama güçlüdür, ancak sürdürülmesi gerektiğinde sadece düzensizdir. Gecikme sırasında sıçrama kalıcı değildir.
Dahası, ekip spiking aktivitesi ölçümlerinden çalışma belleği bilgilerini okumak için yazılım “kod çözücüleri” eğitti. Spiking yüksek olduğunda oldukça doğruydular, ancak gecikme döneminde olduğu gibi düşük olduğunda değil. Bu durum, gecikme sırasında spikingin bilgiyi temsil etmediğini gösteriyordu. Ancak bu çok önemli bir soruyu gündeme getirdi: Eğer spiking bilgiyi akılda tutmuyorsa, ne tutuyor?
Oxford Üniversitesi’nden Mark Stokes’un da aralarında bulunduğu araştırmacılar, sinapsların göreceli gücündeki veya “ağırlıklarındaki” değişikliklerin bunun yerine bilgiyi depolayabileceğini öne sürdüler. MIT ekibi, her bir ana teorinin iki versiyonunu somutlaştıran sinir ağlarını hesaplamalı olarak modelleyerek bu fikri test etti. Gerçek hayvanda olduğu gibi, makine öğrenimi ağları aynı çalışma belleği görevini yerine getirmek ve bir kod çözücü tarafından da yorumlanabilen sinirsel aktivite çıktısı vermek üzere eğitildi.
Sonuç olarak, kısa vadeli sinaptik plastisitenin bilgiyi kodlamasına izin veren hesaplama ağları, gerçek beyin çivilendiğinde çivilendi ve çivilemediğinde çivilemedi. Hafızayı koruma yöntemi olarak sürekli sıçrama özelliğine sahip ağlar, doğal beynin sıçrama yapmadığı zamanlar da dahil olmak üzere her zaman sıçrama yapmıştır. Ve kod çözücü sonuçları, sinaptik plastisite modellerinde gecikme süresi boyunca doğruluğun düştüğünü, ancak kalıcı spiking modellerinde doğal olmayan bir şekilde yüksek kaldığını ortaya koydu.
Başka bir analiz katmanında ekip, sinaptik ağırlıklardan bilgi okumak için bir kod çözücü oluşturdu. Gecikme süresi boyunca, sinapsların çalışma belleği bilgisini temsil ettiğini, spikingin ise bunu yapmadığını buldular.
Kozachkov, kısa vadeli sinaptik plastisiteye sahip iki model versiyonu arasında en gerçekçi olanın, sinir ağını istikrarlı ve sağlam tutan negatif bir geri besleme döngüsüne sahip olan “PS-Hebb” olarak adlandırıldığını söyledi.
Çalışma belleğinin işleyişi
Sinaptik plastisite modelleri, doğayla daha iyi eşleşmenin yanı sıra, muhtemelen gerçek beyinler için önemli olan başka faydalar da sağladı. Bunlardan biri, plastisite modellerinin, yapay nöronların yarısı “kesildikten” sonra bile sinaptik ağırlıklandırmalarındaki bilgileri korumalarıydı. Kalıcı aktivite modelleri sinapslarının sadece yüzde 10-20’sini kaybettikten sonra bozuldu. Miller, sadece ara sıra spiking yapmanın, sürekli spiking yapmaktan daha az enerji gerektirdiğini de sözlerine ekledi.
Miller, ayrıca, sürekli spiking yerine hızlı spiking patlamalarının hafızada birden fazla öğenin depolanması için zaman bıraktığını söyledi. Araştırmalar, insanların çalışma belleğinde dört farklı şeyi tutabildiğini göstermiştir. Miller’ın laboratuvarı, hayvanların tek bir görüntü yerine birden fazla şeyi akıllarında tutmaları gerektiğinde, aralıklı spiking ve sinaptik ağırlık tabanlı bilgi depolama modellerinin gerçek sinirsel verilerle uygun şekilde eşleşip eşleşmediğini belirlemek için yeni deneyler planlıyor.
Miller, Kozachkov, Tauber ve Slotine’in yanı sıra makalenin diğer yazarları Mikael Lundqvist ve Scott Brincat.
Araştırmaya Deniz Araştırmaları Ofisi, JPB Vakfı, ERC ve VR Başlangıç Hibeleri fon sağladı.
Kaynak: https://www.sciencedaily.com/releases/2022/12/221229115720.htm
Bu yazı Astrafizik.com tarafından Türkçeye aktarılmış olup yazının aslı sciencedaily.com sitesine aittir, orijinaline mümkün olduğunca sadık kalmak koşuluyla dilimize çevirilmis olsa da editoryal tarafından katkılarda bulunulmuştur. Bu sebeple Astrafizik.com içerik izinlerine tabidir. Astrafizik.com referans gösterilmek koşuluyla 3. tarafların kullanımına izin verilmiştir.
