إنها أدمغة تتعلّم بشكل أفضل، وتنسى بشكل أقل. أدمغتنا هي أعضاء شديدة التعقيد، تتجزأ إلى العديد من الأجزاء والوحدات للقيام بمهام مختلفة، ومعالجات متنوعة.

وفقاً لبحث تم نشره مؤخرا في مجلة PLOS للعلوم التقنية الحيوية، يساهم هذا التعقيد المجزأ في الدماغ في قدرتنا على تذكر وحفظ المعلومات الجديدة بداخله لفترة أطول، ويرى الباحثون أن هذه النتائج قد تساعد على تحسين الشبكات العصبية الخاصة بمجال الذكاء الاصطناعي، مما سيساعد الروبوتات لتعلم مهارات جديدة وتذكرها لفترات أطول.

الكثير من الروبوتات لديها شبكات عصبية صناعية، وتقوم باستخدامها للقيام بمهام محددة مثل التعرف على الوجوه مثلاً، أو لتشخيص الأمراض، ولكن عندما يتم تطوير هذه الروبوتات لتستطيع تعلم مهارات جديدة، وإنشاء اتصالات جديدة لاستيعاب المعلومات، سنكون وصلنا لما يسمى بالتعلم الاصطناعي النموذجي.


Image: Syr-Res

بسبب طريقة تعلم المعلومات وتنظيمها، فإن تعلم مهارة جديدة بالنسبة للروبوتات يعني طمس وإلغاء الاتصالات الخاصة بالمعارف السابقة. (نسيان أو مسح المهارات السابقة)

والنتيجة هي ما يسميه خبراء الذكاء الاصطناعي «النسيان الكارثي»، حيث أن الروبوتات لا يمكن أن تتعلم أكثر من مهارة واحدة في كل مرة بدون نسيان معرفة أخرى.

تم التعرف على النسيان الكارثي (أو ما يسمى أيضا التداخل الكارثي) كمشكلة في الشبكات العصبية الاصطناعية منذ أكثر من عقدين، فعندما تتعلم الآلة مهام جديدة، يتم نسيان المهارات السابقة ليحفظ مكانها المعلومات الجديدة، وتحدث هذه المشكلة لأنَّ خوارزميات التعلم تركز فقط على حل المشكلة الحالية، وتقوم بتغيير أي اتصالات من شأنها أن تساعد في حل هذه المشكلة، حتى لو كانت تلك الاتصالات المشفرة هي نفسها المهارات المناسبة للمشاكل التي واجهتها سابقاً.


Image: Syr-Res

ولكن أدمغة الإنسان والحيوانات لا تعمل بهذا الشكل، بسبب هيكلية أدمغتنا، حيث أن وجود الكثير من وحدات وكتل الخلايا العصبية المرتبطة بشكل كبير في بعض المناطق والتي تصنع اتصالات جديدة لكل معلومة لا تحتاج لأن يقوم الدماغ بالكتابة فوق معارفه السابقة.

يعزو بعض العلماء ذلك إلى تطور طريقة عمل أدمغتنا لتصبح قادرة على بناء اتصالات جديدة بدون تداخل مع المعارف والاتصالات العصبية القديمة، ويزداد معدل الاتصالات العصبية في الدماغ مع ازدياد المعلومات والمهارات.


Image: Syr-Res

وقد تم تطبيق هذه العملية من خلال بناء خوارزميات جديدة قادرة على بناء اتصالات خاصة بكل مهارة تكتسبها الشبكات العصبية الإلكترونية سميت بخوارزمية التطور، بالإضافة لما سبق فقد تم تطوير آلية تمكن الشبكات العصبية الإلكترونية من اختيار المهارة اللازمة لكل عملية بحيث لا يحدث تداخل في العمليات المطلوبة وبهذا ينقسم الدماغ الإلكتروني المتطور إلى ثلاثة أطوار:

1. تعلم المهارة الأولى.

2. تعلم المهارة الثانية.

3. تعلم طريقة اختيار المهارة اللازمة للأمر المطلوبة.

وعندما قام الباحثون بمحاكاة هذه العملية في الشبكات العصبية الإلكترونية وفقاً لآلية تسمي بنظام P & CC وتعني الفاعلية الأكبر ذات كلفة الاتصالات الأقل، بدلاً من نظام PA المستخدم والذي يركز على الأداء وحده.

انخفض معدل النسيان الكارثي إلى حد كبير، وقد تبين أيضاً بأن وجود المزيد من الاتصالات العصبية يمكن أن يؤدي لفاعلية أكبر لدى بعض الكائنات الحية أيضاً!

لذلك فإن هذا التقسيم العصبي أكثر كفائة للكائنات الحية من وجهة نظر بيولوجية أيضاً.

تعريف المصطلحات:

maximizing performance and minimizing connection costs) P & CC ): هو مصطلح يفيد بارتباط الفاعلية الأكبر مع تكلفة الاتصالات الأدنى.

performance alone) PA ) : مصطلح يفيد بالتركيز على الأداء وحده.

-------------------------

المصادر:

هنا

هنا

ترجمة : issam abbas

تدقيق : Asaad Hussien

تدقيق لغوي: Joudi Al-Fattal

تصميم الصورة : Ali Keke