Populære Innlegg

Redaksjonens - 2019

Internett og hjernen din er mer lik du tror

Game Theory: FNAF 6, No More Secrets (FNAF 6, Freddy Fazbear's Pizzeria Simulator) (Juni 2019).

Anonim

Selv om vi tilbringer mye av vår tid online i dag - streaming av musikk og video, sjekking av e-post og sosiale medier, eller obsessivt lesing av nyheten - få av oss vet om matematiske algoritmer som styrer hvordan innholdet vårt blir levert. Men det var en prioritet for Internettets grunnleggere å bestemme hvordan man rute informasjonen rett og slett gjennom et distribuert system uten sentral myndighet. Nå viser en Salk Institute-funn at en algoritme som brukes til Internett, også er på jobb i den menneskelige hjerne, et innblikk som forbedrer forståelsen av utviklede og nevrale nettverk og potensielt til og med læring funksjonshemninger.

annonse


"Grunnleggerne av Internett brukte mye tid på å vurdere hvordan informasjonen skulle bli effektiv, " sier Salk Assistent Professor Saket Navlakha, medforfatter av den nye studien som vises online i Neural Computation 9. februar 2017. "Finne at et konstruert system og en utviklet biologisk oppstår ved en lignende løsning på et problem er veldig interessant. "

I det konstruerte systemet innebærer løsningen å styre informasjonsflyten slik at ruter hverken tettes eller underutiliseres ved å sjekke hvordan overbelastet Internett er. For å oppnå dette bruker Internett en algoritme som kalles "additiv økning, multiplikativ reduksjon" (AIMD) der datamaskinen sender en pakke med data og lytter etter en bekreftelse fra mottakeren: Hvis pakken er raskt bekreftet, er nettverket ikke Overbelastet og dataene dine kan overføres via nettverket med høyere hastighet. Med hver suksessfull vellykket pakke vet datamaskinen at det er trygt å øke hastigheten med en enhet, noe som øker additivens økning. Men hvis en bekreftelse er forsinket eller tapt, vet datamaskinen at det er overbelastning og senker med stor mengde, som for eksempel halvparten, som er den multiplikative reduksjonsdelen. På denne måten finner brukerne gradvis sin "søte flekk", og overbelastning unngås fordi brukerne tar foten av gassen, så å si, så snart de oppdager en avmatning. Siden datamaskiner i hele nettverket utnytter denne strategien, kan hele systemet kontinuerlig tilpasse seg endrede forhold, og maksimerer effektiviteten.

Navlakha, som utvikler algoritmer for å forstå komplekse biologiske nettverk, lurte på om hjernen, med sine milliarder distribuerte nevroner, klarte å administrere informasjon på samme måte. Så satte han og medforfatter Jonathan Suen, en postdoktor ved Duke University, seg for å matematisk modellere nevralaktivitet.

Fordi AIMD er en av flere strømningsstyringsalgoritmer, bestemte duoen seg for å modellere seks andre også. I tillegg analyserte de hvilken modell best matchet fysiologiske data på nevrale aktivitet fra 20 eksperimentelle studier. I sine modeller viste AIMD seg å være den mest effektive for å holde informasjonsflyten bevegelige, tilpasse trafikkratene når stier ble for overbelastet. Mer interessant, viste AIMD seg også å forklare hva som skjedde med nevroner eksperimentelt.

Det viser seg at nevronekvivalenten av tilsetningsstigningen kalles langsiktig potensiering. Det oppstår når en neuron brenner tett etter hverandre, noe som styrker sin synaptiske forbindelse og gjør det litt mer sannsynlig at den første vil utløse den andre i fremtiden. Nevnekvivalenten av multiplikativ reduksjon oppstår når avfyringen av to nevroner er reversert (andre før først), noe som svekker deres forbindelse, noe som gjør den første mye mindre sannsynlig å utløse den andre i fremtiden. Dette kalles langvarig depresjon. Som synaps i hele nettverket svekkes eller styrker i henhold til denne regelen, tilpasser hele systemet og lærer.

"Mens hjernen og Internett klarer å fungere med svært forskjellige mekanismer, bruker begge enkle lokale regler som gir global stabilitet, " sier Suen. "Jeg var opprinnelig overrasket over at biologiske nevrale nettverk benyttet de samme algoritmer som deres konstruerte kolleger, men som vi lærte er kravene til effektivitet, robusthet og enkelhet vanlig for både levende organismer og nettene vi har bygget."

Å forstå hvordan systemet fungerer under normale forhold kan hjelpe neuroscientists bedre å forstå hva som skjer når disse resultatene blir forstyrret, for eksempel i læringshemming. "Variasjoner av AIMD-algoritmen brukes i stort sett alle store distribuerte kommunikasjonsnettverk, " sier Navlakha. "Å oppdage at hjernen bruker en lignende algoritme, er kanskje ikke bare en tilfeldighet."

annonse



Historie Kilde:

Materialer levert av Salk Institute . Merk: Innholdet kan redigeres for stil og lengde.


Tidsreferanse :

  1. Saket Navlakha. Lære det strukturelle vokabularet i et nettverk . Neural Computation, 2017; 29 (2): 287 DOI: 10, 1162 / NECO_a_00924