Как работает мозг человека (краткий ликбез). Головной мозг человека

Одна из вещей, которые удивляют меня снова и снова – это наш мозг. Он потрясающе сложный и потрясающе загадочный. Живешь себе живешь, думаешь, что одновременно способен слушать аудиокнигу и разговаривать по телефону. А потом выясняется, что мозг однозадачен. И сколько еще таких удивительных открытий предстоит…

Постоянно натыкаюсь на интересные факты о работе головы, которые, теоретически, могут нам помочь быть продуктивнее. Собрал их здесь и делюсь с вами:

1) Творческий процесс идет лучше всего тогда, когда мы устали

Если вы жаворонок, то утренние часы вам кажутся самыми продуктивными. Если вы – сова, то извольте приносить пользу обществу в ночные часы. Разве нет?

Оказывается, нет. Лучше всего придумывать что-то новое и творческое в часы усталости. Звучит дико, но вспомните, сколько классных идей посещают вашу голову, когда она оказывается на подушке – хоть с блокнотом спать ложись.

Да, если вы устали, то мозгу сложнее сконцентрироваться. Но рассредоточенность внимания гораздо полезнее новым идеям, чем четкая концентрация. Понимаете, почему вам советуют «отвлечься», когда вы слишком долго думаете над одной и той же проблемой? В состоянии усталости мы спокойно можем воспринимать более широкий спектр информации.

2) Стресс уменьшает размеры нашего мозга

В одном исследовании ученые взяли в качестве «кроликов» обезьянышей – детенышей обезьян, чтобы проверить, как на их мозге скажется постоянный стресс. Поэтому половину малышей забрали от мам и поместили всех вместе в одну клетку. А вторые 50% оставили родителям. Через шесть месяцев «беспризорников» тоже вернули и стали смотреть, что получилось.

А получилось, что мозг малышей, которых забирали от мам, поголовно был меньше, чем у их сверстников, оставшихся с родителями. Такие же результаты были и у крысок. Как говорят, этот процесс еще требует изучения, но предпосылки для того, чтобы утверждать влияние стресса на размер мозга, есть довольно большие.

Нервные клетки не восстанавливаются – это правда.

3) Мы практически неспособны к многозадачности

Мозг просто умеет быстро переключаться с одной задачи на другую. Но качественно это делать можно только медленно и обстоятельно. Поэтому мне только кажется, что я могу одновременно внимательно слушать аудиокнигу и разговаривать по телефону. Если человек пытается быть многозадачным, то шанс на ошибку в любом деле увеличивается на 50 процентов.

Слово «практически» дает шанс, да? Под многозадачностью можно понимать и умение быстро переключаться.

4) Короткий сон днем улучшает нашу работоспособность

Сладкие, сладкие слова. И это правда! Вот почему:

— Короткий сон (даже несколько раз в день) улучшает память. В одном исследовании участвовали 80 человек, которым показали красочные иллюстрации, а потом разделили на две группы. Одну отвели спать на 40 минут. Вторую оставили бодрствовать. Группа, которой удалось вздремнуть, вспомнила в среднем 85% картинок. Те, кто не спали, вспомнили только 60%.

— Он помогает нам учиться. Потому что пока мы спим, мозг получает возможность рассортировать полученную информацию из краткосрочной памяти по нужным полкам в долгосрочную. Таким образом, мы освобождаем голову для новых знаний, не теряя уже что полученные.

5) Зрение имеет приоритет перед другими чувствами

Если мы воспринимаем информацию на слух, то запоминаем только 10 процентов сказанного. Если мы добавляем к этому изображение, то в голове оседает 65 процентов информации.

Почему зрение так важно для нас? Возможно, потому что на нем держится весь жизненный фундамент: размножение, избежание опасности, поиск продовольствия.

Поэтому всегда нужно делать презентацию для любого выступления на публике.

6) Между мозгом интроверта и экстраверта есть разница

Просто у одних людей мозг отправляет информацию по короткому пути – через центры осязания, обоняния, зрения и слуха. Такие люди называются экстравертами. У интровертов информация идет по долгому пути через области, связанные с запоминанием, планированием, решением проблем…

В общем, как и сам человек, мозг бывает интроверсивным и экстраверсивным.

7) Нам нравятся люди, которые больше ошибаются

Да, нам не нравятся правильные парни. И не только потому, что они скучные.

Просто ошибки делают человека более человечным. Совершенство создает дистанцию между людьми, окутывает человека непривлекательной атмосферой непобедимости.

Эта теория проверена психологом Эллиотом Арансон. Он попросил участников своего эксперимента послушать звуковые записи какой-то телевикторины. И, судя по звуку, один из участников этой викторины пролил на себя кружку кофе. После того, как Эллиот попросил оценить героев, больше всего голосов набрал облитый неудачник. Эксперимент повторялся и подтверждался несколько раз.

Ну все, теперь мы знаем, что маленькие ошибки и неприятности делают нас только симпатичнее.

8) Медитация реально работает

Это удивительно. Я думал, что медитация помогает разве что концентрировать внимание и сохранять спокойствие. А она еще и перевоспитывает наш мозг в лучшую сторону. Потому что:

— Позволяет нам меньше беспокоится. Странно, но чем больше мы размышляем, тем меньше беспокойства у нас в голове. Это происходит за счет ослабления связей между нейронами. Мозг как будто отдыхает от раздражителей во время раздумий.

— Позволяет стать более творческим человеком. Опять же, причина тому — расфокусировка внимания и расслабленность.

— Позволяет улучшить память. Чем больше практикуете медитацию, тем лучше получается фильтровать информацию.

— А еще она уменьшает стресс, который уменьшает мозг, как мы знаем.

9) Есть специальные упражнения, которые помогут реорганизовать мозг и увеличить силу воли

Да-да, свой мозгицепс можно накачать при помощи регулярных тренировок. Причем, физических тренировок! Домоседы, которые решают кроссворды, вряд ли достигнут новых интеллектуальных высот. А те, кто сочетают кроссворды с утренними пробежками имеют все шансы. Потому что сила воли, которая неизменно задействуется каждый раз, когда вы встаете рано утром, чтобы побегать – это и есть наша мышца.

К тому же, физические упражнения делают нас более счастливыми. Мозг начинает воспринимать физическую активность как стресс. Организм по его команде вырабатывает эндорфины. Вот почему после тренировок у нас такое прекрасное чувство эйфории, которое хочется повторить.

10) Мы можем замедлить время

То, что мы привыкли понимать как собственное ощущение времени, на самом деле просто цепочка определенным образом выстроенной информации. Мозг просто затирает те места, где как будто бы ничего не происходило (или происходили довольно обыденные вещи). Поэтому мы, оценивая отрезок времени размером с полгода, можем сказать, что он пролетел очень быстро или тянулся очень медленно. Чем больше новых и интересных вещей мы делаем, тем от меньшего количество информации избавляется мозг. И тем большим кажется промежуток времени.

Новые вещи, которые происходят с нами, обрабатываются медленнее, потому что мозг с ними еще не знаком. Это еще один фактор, который удлиняет промежутки времени.

Когда мы находимся в опасной ситуации, наш мозг значительно растягивает время, потому что обрабатывает и фиксирует много нового и полезного ему опыта. Он включает сверхчеловеческие способности восприятия.

Мозг наиболее сложно устроенный орган человека. Ведь он отвечает за работу всех органов, а также за множество сложнейших процессов, таких как память, мышление, чувства, речь. Кроме того, мозг человека отвечает и за сознание. Давайте разберемся, как работает мозг.

Мозг является центральным органом нервной системы. Расположен он в черепной коробке, которая защищает его от повреждений и воздействия температуры. У взрослого человека мозг весит в среднем 1,4 кг, внешне он похож на большой грецкий орех. Состоит мозг из серого и белого веществ, которые состоят из нервных клеток и нервных волокон. Нейроны подают и принимают электрические сигналы всем органам тела по сети нервных окончаний. Головной и спиной мозг, а также нервные окончания по всему телу составляют нервную систему человека.

Анатомически мозг состоит из трех главных частей – ствол мозга, полушария, мозжечок. Кроме того, в мозге есть железы внутренней секреции, такие как таламус и гипоталамус. Разберём функции и строение каждой части, чтобы лучше разобраться с тем, как работает мозг человека.

Полушария мозга

Полушария головного мозга являются его самой большой частью. Они составляют примерно 90% всего объема. Полушария делят мозг на две примерно равные части, соединенные плотной перемычкой – мозолистым телом. По структуре полушария состоят из серого и белого веществ. Серое вещество составляет поверхность мозга и состоит из сложно устроенных нервных клеток, которые генерируют электрические импульсы. А белое вещество, которое находится внутри полушарий, состоит из нервных волокон. Они передают сигналы по всему телу.

Сложное устройство полушарий головного мозга позволяет им отвечать за множество функций организма человека, большая часть которых относится к высшей психической деятельности, например, память, мышление и т.п. Физиологически это представляет собой чёткое разделение на зоны, которые внешне никак не заметы. Каждая зона отвечает за определенные функции человека. Подробно ознакомиться с тем, за что отвечают полушария, вы можете в одной из наших статей – " ".

Мозжечок

Мозжечок находится в задней части мозга, чуть ниже затылка. Мозжечок получает двигательные сигналы от полушарий, после чего сортирует их, конкретизирует и посылает сигналы в определенные мышцы или сухожилия. Мозжечок отвечает за движения, как отдельных мышц, так и за общую плавность и координацию движений человека.

Ствол мозга

Ствол мозга находится у основания и соединяет головной мозг со спинным. Ствол мозга, отвечает за жизненно важные автоматические процессы, такие как сердцебиение, пищеварение, температура тела, дыхание и т.п.

Гипоталамус и таламус

Гипоталамус - железа внутренней секреции, которая отвечает за множество сложных функций и проявлений человека. К примеру, он контролирует голод, сон, жажду, а также сильные эмоции – гнев, радость, страх. Расположен гипоталамус на вершине ствола мозга.

Таламус же в свою очередь, является координатором всех желез человека. Имея размер не больше, чем горошина, таламус регулирует выделение всех гормонов в организме.

Как работает мозг: внутренний процесс

На первый взгляд работа мозга кажется предельно простой. Нервные импульсы, поступают в одно полушарие, где они считываются и перерабатываются. Затем, они посылаются в нужную часть организма. Кстати говоря, сигналы, идущие с правой стороны тела, посылаются в левое полушарие.

В общем, можно сказать, что мозг – орган, контролирующий все процессы тела. С помощью нейронной сети он руководит телом, подобно дирижеру, указывая, что и какому органу нужно сделать.

Нейронная сеть человека, состоит из нервных клеток – нейронов. Они в своем строении имеют несколько входов – дендритов, и один выход – аксон. Можно сказать, что нейрон получает множество сигналов, суммирует их и выдает один общий выходной сигнал, который и передается дальше. Нейроны человека имеют способность «обучаться» - в ходе жизни, они могут изменять свою пороговую сумму сигналов. Когда нейроны увеличивают сумму сигналов - происходит обучение человека, а когда сумма сигналов уменьшается, у человека происходит забывание или потеря навыка.

Теперь вы знаете, как работает мозг. Считается, что мозг во много раз мощнее, чем любой из созданных компьютеров. В человеческом мозге порядка 100 млрд. нервных клеток, которые постоянно умирают и появляются, а также имеют свойство развиваться.

Для того чтобы мозг постоянно развивался, ему необходимо работать. Практические советы для этого вы можете найти в одной из наших статей - "

История компьютерных наук в целом сводится к тому, что учёные пытаются понять, как работает человеческий мозг, и воссоздать нечто аналогичное по своим возможностям. Как именно учёные его исследуют? Представим, что в XXI веке на Землю прилетают инопланетяне, никогда не видевшие привычных нам компьютеров, и пытаются исследовать устройство такого компьютера. Скорее всего, они начнут с измерения напряжений на проводниках, и обнаружат, что данные передаются в двоичном виде: точное значение напряжения не важно, важно только его наличие либо отсутствие. Затем, возможно, они поймут, что все электронные схемы составлены из одинаковых «логических вентилей», у которых есть вход и выход, и сигнал внутри схемы всегда передаётся в одном направлении. Если инопланетяне достаточно сообразительные, то они смогут разобраться, как работают комбинационные схемы - одних их достаточно, чтобы построить сравнительно сложные вычислительные устройства. Может быть, инопланетяне разгадают роль тактового сигнала и обратной связи; но вряд ли они смогут, изучая современный процессор, распознать в нём фон-неймановскую архитектуру с общей памятью, счётчиком команд, набором регистров и т.п. Дело в том, что по итогам сорока лет погони за производительностью в процессорах появилась целая иерархия «памятей» с хитроумными протоколами синхронизации между ними; несколько параллельных конвейеров, снабжённых предсказателями переходов, так что понятие «счётчика команд» фактически теряет смысл; с каждой командой связано собственное содержимое регистров, и т.д. Для реализации микропроцессора достаточно нескольких тысяч транзисторов; чтобы его производительность достигла привычного нам уровня, требуются сотни миллионов. Смысл этого примера в том, что для ответа на вопрос «как работает компьютер?» не нужно разбираться в работе сотен миллионов транзисторов: они лишь заслоняют собой простую идею, лежащую в основе архитектуры наших ЭВМ.

Моделирование нейронов

По аналогии с устройством компьютера, абсолютное большинство этих нейронов нужны для скорости и эффективности работы, для устойчивости ко сбоям, и т.п.; но основные принципы устройства мозга так же невозможно обнаружить при помощи микроскопа, как невозможно обнаружить счётчик команд, рассматривая под микроскопом микропроцессор. Поэтому более плодотворный подход - попытаться понять устройство мозга на самом низком уровне, на уровне отдельных нейронов и их колонок; и затем, опираясь на их свойства - попытаться предположить, как мог бы работать мозг целиком. Примерно так пришельцы, поняв работу логических вентилей, могли бы со временем составить из них простейший процессор, - и убедиться, что он эквивалентен по своим способностям настоящим процессорам, даже хотя те намного сложнее и мощнее.

На рисунке, приведённом чуть выше, тело нейрона (слева) - небольшое красное пятнышко в нижней части; всё остальное - дендриты , «входы» нейрона, и один аксон , «выход». Разноцветные точки вдоль дендритов - это синапсы , которыми нейрон соединён с аксонами других нейронов. Работа нейронов описывается очень просто: когда на аксоне возникает «всплеск» напряжения выше порогового уровня (типичная длительность всплеска 1мс, уровень 100мВ), то синапс «пробивается», и всплеск напряжения переходит на дендрит. При этом всплеск «сглаживается»: вначале напряжение за 5..20мс растёт до порядка 1мВ, затем экспоненциально затухает; таким образом, длительность всплеска растягивается до ~50мс.

Если несколько синапсов одного нейрона активизируются с небольшим интервалом по времени, то «разглаженные всплески», возбуждаемые в нейроне каждым из них, складываются. Наконец, если одновременно активны достаточно много синапсов, то напряжение на нейроне поднимается выше порогового уровня, и его собственный аксон «пробивает» синапсы связанных с ним нейронов.

Чем мощнее были исходные всплески, тем быстрее растут разглаженные всплески, и тем меньше будет задержка до активизации следующих нейронов.

Кроме того, бывают «тормозящие нейроны», активация которых понижает общее напряжение на связанных с ним нейронах. Таких тормозящих нейронов 15..25% от общего числа.

У каждого нейрона тысячи синапсов; но в любой момент времени активны не больше десятой части всех синапсов. Время реакции нейрона - единицы мс; такого же порядка задержки на распространение сигнала вдоль дендрита, т.е. эти задержки оказывают существенное влияние на работу нейрона. Наконец, пару соседних нейронов, как правило, связывает не один синапс, а порядка десятка - каждый с собственным расстоянием до тел обоих нейронов, а значит, с собственной длительностью задержки. На иллюстрации справа два нейрона, изображённые красным и синим, связаны шестью синапсами.

У каждого синапса своё «сопротивление», понижающее входящий сигнал (в примере выше - со 100мВ до 1мВ). Это сопротивление динамически подстраивается: если синапс активизировался сразу перед активацией аксона - то, видимо, сигнал с этого синапса хорошо коррелирует с общим выводом, так что сопротивление понижается, и сигнал будет вносить больший вклад в напряжение на нейроне. Если же синапс активизировался сразу после активации аксона - то, видимо, сигнал с этого синапса не имел отношения к активации аксона, так что сопротивление синапса повышается. Если два нейрона связаны несколькими синапсами с разной длительностью задержки, то такая подстройка сопротивлений позволяет выбрать оптимальную задержку, или оптимальную комбинацию задержек: сигнал начинает доходить именно тогда, когда от него больше всего пользы.

Таким образом, модель нейрона, принятая исследователями нейронных сетей - с единственной связью между парой нейронов и с мгновенным распространением сигнала от одного нейрона к другому - весьма далека от биологической картины. Кроме того, традиционные нейронные сети оперируют не временем отдельных всплесков, а их частотой : чем чаще всплески на входах нейрона, тем чаще будут всплески на выходе. Те детали устройства нейрона, которые отброшены в традиционной модели - существенны или несущественны они для описания работы мозга? Нейробиологи накопили огромную массу наблюдений об устройстве и поведении нейронов - но какие из этих наблюдений проливают свет на общую картину, а какие - лишь «детали реализации», и - как и предсказатель переходов в процессоре - не влияют ни на что, кроме эффективности работы? Джеймс считает, что именно временны́е характеристики взаимодействия между нейронами и позволяют приблизиться к пониманию вопроса; что асинхронность так же важна для работы мозга, как синхронность - для работы ЭВМ.

Ещё одна «деталь реализации» - ненадёжность нейрона: с некоторой вероятностью он может активизироваться спонтанно, даже если сумма напряжений на его дендритах не достигает порогового уровня. Благодаря этому, «обучение» колонки нейронов можно начинать с любого достаточно большого сопротивления на всех синапсах: вначале никакая комбинация активаций синапсов не будет приводить к активации аксона; затем спонтанные всплески приведут к тому, что понизится сопротивление синапсов, которые активизировались незадолго до этих спонтанных всплесков. Таким образом нейрон начнёт распознавать конкретные «паттерны» входных всплесков. Что самое важное, паттерны, похожие на те, на которых нейрон обучался, - тоже будут распознаваться, но всплеск на аксоне будет тем слабее и/или позднее, чем меньше нейрон «уверен» в результате. Обучение колонки нейронов получается намного эффективнее, чем обучение обычной нейронной сети: колонке нейронов не нужен контрольный ответ для тех образцов, на которых она обучается - фактически, она не распознаёт , а классифицирует входные паттерны. Кроме того, обучение колонки нейронов локализовано - изменение сопротивления синапса зависит от поведения лишь двух соединённых им нейронов, и никаких других. В результате этого, обучение приводит к изменению сопротивлений вдоль пути следования сигнала, тогда как при обучении нейронной сети веса изменяются в обратном направлении: от нейронов, ближайших к выходу - к нейронам, ближайшим ко входу.

Например, вот колонка нейронов, обученная распознавать паттерн всплесков (8,6,1,6,3,2,5) - значения обозначают время всплеска на каждом из входов. В результате обучения, задержки настроились на точное соответствие распознаваемому паттерну, так что напряжение на аксоне, вызываемое правильным паттерном, получается максимально возможным (7):

Та же самая колонка отреагирует на похожий входной паттерн (8,5,2,6,3,3,4) меньшим всплеском (6), причём напряжение достигает порогового уровня заметно позднее:

Наконец, тормозящие нейроны могут использоваться для реализации «обратной связи»: например, как на иллюстрации справа, - подавлять повторные всплески на выходе, когда вход длительное время остаётся активным; или подавлять всплеск на выходе, если он слишком задерживается по сравнению со входными сигналами, - чтобы сделать классификатор более «категоричным»; или, в нейросхеме для распознавания паттернов, разные колонки-классификаторы могут быть связаны тормозящими нейронами, чтобы активация одного классификатора автоматически подавляла все остальные классификаторы.

Распознавание изображений

Классические нейросети достигают на базе MNIST точности 99.5% и даже выше; но по утверждению Джеймса, его «гиперколонка» обучается за гораздо меньшее число итераций, благодаря тому, что изменения распространяются вдоль пути следования сигнала, а значит, затрагивают меньшее число нейронов. Как и для классической нейросети, разработчик «гиперколонки» определяет только конфигурацию соединений между нейронами, а все количественные характеристики гиперколонки - т.е. сопротивление синапсов с разными задержками - приобретаются автоматически в процессе обучения. Кроме того, для работы гиперколонки требуется на порядок меньшее число нейронов, чем для аналогичной по возможностям нейросети. С другой стороны, симуляция таких «аналоговых нейросхем» на электронном компьютере несколько затрудняется тем, что в отличие от цифровых схем, работающих с дискретными сигналами и с дискретными интервалами времени - для работы нейросхем важны непрерывность изменения напряжений и асинхронность нейронов. Джеймс утверждает, что шага симуляции в 0.1мс достаточно для корректной работы его распознавателя; но он не уточнял, сколько «реального времени» занимает обучение и работа классической нейросети, и сколько - обучение и работа его симулятора. Сам он давно на пенсии, и свободное время он посвящает совершенствованию своих аналоговых нейросхем.

История компьютерных наук в целом сводится к тому, что учёные пытаются понять, как работает человеческий мозг, и воссоздать нечто аналогичное по своим возможностям. Как именно учёные его исследуют? Представим, что в XXI веке на Землю прилетают инопланетяне, никогда не видевшие привычных нам компьютеров, и пытаются исследовать устройство такого компьютера. Скорее всего, они начнут с измерения напряжений на проводниках, и обнаружат, что данные передаются в двоичном виде: точное значение напряжения не важно, важно только его наличие либо отсутствие. Затем, возможно, они поймут, что все электронные схемы составлены из одинаковых «логических вентилей», у которых есть вход и выход, и сигнал внутри схемы всегда передаётся в одном направлении. Если инопланетяне достаточно сообразительные, то они смогут разобраться, как работают комбинационные схемы - одних их достаточно, чтобы построить сравнительно сложные вычислительные устройства. Может быть, инопланетяне разгадают роль тактового сигнала и обратной связи; но вряд ли они смогут, изучая современный процессор, распознать в нём фон-неймановскую архитектуру с общей памятью, счётчиком команд, набором регистров и т.п. Дело в том, что по итогам сорока лет погони за производительностью в процессорах появилась целая иерархия «памятей» с хитроумными протоколами синхронизации между ними; несколько параллельных конвейеров, снабжённых предсказателями переходов, так что понятие «счётчика команд» фактически теряет смысл; с каждой командой связано собственное содержимое регистров, и т.д. Для реализации микропроцессора достаточно нескольких тысяч транзисторов; чтобы его производительность достигла привычного нам уровня, требуются сотни миллионов. Смысл этого примера в том, что для ответа на вопрос «как работает компьютер?» не нужно разбираться в работе сотен миллионов транзисторов: они лишь заслоняют собой простую идею, лежащую в основе архитектуры наших ЭВМ.

Моделирование нейронов

По аналогии с устройством компьютера, абсолютное большинство этих нейронов нужны для скорости и эффективности работы, для устойчивости ко сбоям, и т.п.; но основные принципы устройства мозга так же невозможно обнаружить при помощи микроскопа, как невозможно обнаружить счётчик команд, рассматривая под микроскопом микропроцессор. Поэтому более плодотворный подход - попытаться понять устройство мозга на самом низком уровне, на уровне отдельных нейронов и их колонок; и затем, опираясь на их свойства - попытаться предположить, как мог бы работать мозг целиком. Примерно так пришельцы, поняв работу логических вентилей, могли бы со временем составить из них простейший процессор, - и убедиться, что он эквивалентен по своим способностям настоящим процессорам, даже хотя те намного сложнее и мощнее.

На рисунке, приведённом чуть выше, тело нейрона (слева) - небольшое красное пятнышко в нижней части; всё остальное - дендриты , «входы» нейрона, и один аксон , «выход». Разноцветные точки вдоль дендритов - это синапсы , которыми нейрон соединён с аксонами других нейронов. Работа нейронов описывается очень просто: когда на аксоне возникает «всплеск» напряжения выше порогового уровня (типичная длительность всплеска 1мс, уровень 100мВ), то синапс «пробивается», и всплеск напряжения переходит на дендрит. При этом всплеск «сглаживается»: вначале напряжение за 5..20мс растёт до порядка 1мВ, затем экспоненциально затухает; таким образом, длительность всплеска растягивается до ~50мс.

Если несколько синапсов одного нейрона активизируются с небольшим интервалом по времени, то «разглаженные всплески», возбуждаемые в нейроне каждым из них, складываются. Наконец, если одновременно активны достаточно много синапсов, то напряжение на нейроне поднимается выше порогового уровня, и его собственный аксон «пробивает» синапсы связанных с ним нейронов.

Чем мощнее были исходные всплески, тем быстрее растут разглаженные всплески, и тем меньше будет задержка до активизации следующих нейронов.

Кроме того, бывают «тормозящие нейроны», активация которых понижает общее напряжение на связанных с ним нейронах. Таких тормозящих нейронов 15..25% от общего числа.

У каждого нейрона тысячи синапсов; но в любой момент времени активны не больше десятой части всех синапсов. Время реакции нейрона - единицы мс; такого же порядка задержки на распространение сигнала вдоль дендрита, т.е. эти задержки оказывают существенное влияние на работу нейрона. Наконец, пару соседних нейронов, как правило, связывает не один синапс, а порядка десятка - каждый с собственным расстоянием до тел обоих нейронов, а значит, с собственной длительностью задержки. На иллюстрации справа два нейрона, изображённые красным и синим, связаны шестью синапсами.

У каждого синапса своё «сопротивление», понижающее входящий сигнал (в примере выше - со 100мВ до 1мВ). Это сопротивление динамически подстраивается: если синапс активизировался сразу перед активацией аксона - то, видимо, сигнал с этого синапса хорошо коррелирует с общим выводом, так что сопротивление понижается, и сигнал будет вносить больший вклад в напряжение на нейроне. Если же синапс активизировался сразу после активации аксона - то, видимо, сигнал с этого синапса не имел отношения к активации аксона, так что сопротивление синапса повышается. Если два нейрона связаны несколькими синапсами с разной длительностью задержки, то такая подстройка сопротивлений позволяет выбрать оптимальную задержку, или оптимальную комбинацию задержек: сигнал начинает доходить именно тогда, когда от него больше всего пользы.

Таким образом, модель нейрона, принятая исследователями нейронных сетей - с единственной связью между парой нейронов и с мгновенным распространением сигнала от одного нейрона к другому - весьма далека от биологической картины. Кроме того, традиционные нейронные сети оперируют не временем отдельных всплесков, а их частотой : чем чаще всплески на входах нейрона, тем чаще будут всплески на выходе. Те детали устройства нейрона, которые отброшены в традиционной модели - существенны или несущественны они для описания работы мозга? Нейробиологи накопили огромную массу наблюдений об устройстве и поведении нейронов - но какие из этих наблюдений проливают свет на общую картину, а какие - лишь «детали реализации», и - как и предсказатель переходов в процессоре - не влияют ни на что, кроме эффективности работы? Джеймс считает, что именно временны́е характеристики взаимодействия между нейронами и позволяют приблизиться к пониманию вопроса; что асинхронность так же важна для работы мозга, как синхронность - для работы ЭВМ.

Ещё одна «деталь реализации» - ненадёжность нейрона: с некоторой вероятностью он может активизироваться спонтанно, даже если сумма напряжений на его дендритах не достигает порогового уровня. Благодаря этому, «обучение» колонки нейронов можно начинать с любого достаточно большого сопротивления на всех синапсах: вначале никакая комбинация активаций синапсов не будет приводить к активации аксона; затем спонтанные всплески приведут к тому, что понизится сопротивление синапсов, которые активизировались незадолго до этих спонтанных всплесков. Таким образом нейрон начнёт распознавать конкретные «паттерны» входных всплесков. Что самое важное, паттерны, похожие на те, на которых нейрон обучался, - тоже будут распознаваться, но всплеск на аксоне будет тем слабее и/или позднее, чем меньше нейрон «уверен» в результате. Обучение колонки нейронов получается намного эффективнее, чем обучение обычной нейронной сети: колонке нейронов не нужен контрольный ответ для тех образцов, на которых она обучается - фактически, она не распознаёт , а классифицирует входные паттерны. Кроме того, обучение колонки нейронов локализовано - изменение сопротивления синапса зависит от поведения лишь двух соединённых им нейронов, и никаких других. В результате этого, обучение приводит к изменению сопротивлений вдоль пути следования сигнала, тогда как при обучении нейронной сети веса изменяются в обратном направлении: от нейронов, ближайших к выходу - к нейронам, ближайшим ко входу.

Например, вот колонка нейронов, обученная распознавать паттерн всплесков (8,6,1,6,3,2,5) - значения обозначают время всплеска на каждом из входов. В результате обучения, задержки настроились на точное соответствие распознаваемому паттерну, так что напряжение на аксоне, вызываемое правильным паттерном, получается максимально возможным (7):

Та же самая колонка отреагирует на похожий входной паттерн (8,5,2,6,3,3,4) меньшим всплеском (6), причём напряжение достигает порогового уровня заметно позднее:

Наконец, тормозящие нейроны могут использоваться для реализации «обратной связи»: например, как на иллюстрации справа, - подавлять повторные всплески на выходе, когда вход длительное время остаётся активным; или подавлять всплеск на выходе, если он слишком задерживается по сравнению со входными сигналами, - чтобы сделать классификатор более «категоричным»; или, в нейросхеме для распознавания паттернов, разные колонки-классификаторы могут быть связаны тормозящими нейронами, чтобы активация одного классификатора автоматически подавляла все остальные классификаторы.

Распознавание изображений

Классические нейросети достигают на базе MNIST точности 99.5% и даже выше; но по утверждению Джеймса, его «гиперколонка» обучается за гораздо меньшее число итераций, благодаря тому, что изменения распространяются вдоль пути следования сигнала, а значит, затрагивают меньшее число нейронов. Как и для классической нейросети, разработчик «гиперколонки» определяет только конфигурацию соединений между нейронами, а все количественные характеристики гиперколонки - т.е. сопротивление синапсов с разными задержками - приобретаются автоматически в процессе обучения. Кроме того, для работы гиперколонки требуется на порядок меньшее число нейронов, чем для аналогичной по возможностям нейросети. С другой стороны, симуляция таких «аналоговых нейросхем» на электронном компьютере несколько затрудняется тем, что в отличие от цифровых схем, работающих с дискретными сигналами и с дискретными интервалами времени - для работы нейросхем важны непрерывность изменения напряжений и асинхронность нейронов. Джеймс утверждает, что шага симуляции в 0.1мс достаточно для корректной работы его распознавателя; но он не уточнял, сколько «реального времени» занимает обучение и работа классической нейросети, и сколько - обучение и работа его симулятора. Сам он давно на пенсии, и свободное время он посвящает совершенствованию своих аналоговых нейросхем.