الفصل الثاني: آلية إطلاق جهد الفعل في الخلايا
العصبية
وضع لابيك معادلة لوصف كيفية تغيُّر جهد الفعل على جانبَي غشاء الخلية
بمرور الوقت. تعتمد هذه المعادلة على المعادلات المستخدمة لوصف الدوائر
العصبية. على وجه التحديد، يُعرف فرق الجهد، ، وفقًا للمعادلة الخاصة بدائرةٍ بها المقاومة والمكثِّف موصلان على التوازي:
حيث . تُمثَّل المدخلات الخارجية للخلية (التي يكون
مصدرها الشخص القائم بالتجربة أو تأثيرات خلية عصبية أخرى) بالرمز . ومن ثم فإن غشاء الخلية يدمج هذه المدخلات الخارجية
مع بعض التسريب.
لم تتناول معادلة لابيك ما يحدث لجهد الغشاء في أثناء حدوث جهد
الفعل. لكن، يمكننا إضافة قاعدة جديدة توضح متى وصل غشاء الخلية لحد
العتبة، وهو ما من شأنه أن يتسبَّب في حدوث جهد فعل. على وجه التحديد، لتحويل هذه المعادلة
إلى نموذج لخلية عصبية تُطلق إشارات عصبية كهربية، يعود فرق الجهد إلى
حالة الراحة بمجرد أن يصل إلى حد عتبة الإطلاق .
هذا لا يحاكي العمليات المعقدة التي ينطوي عليها جهد الفعل (وهو ما
استدعى الحاجة إلى نموذج هودجكين وهكسلي)، لكنه قدَّم طريقة بسيطة
لحساب عدد مرات إطلاق جهد الفعل.
الفصل الثالث: تعلُّم الحوسبة
شبكة البيرسيبترون هي شبكة عصبية اصطناعية تتكون من طبقة واحدة
يمكنها تعلُّم تنفيذ مهام التصنيف البسيطة. يحدث التعلُّم عبر
التحديثات في الأوزان الترجيحية للوصلات بين الخلايا العصبية التي
تتلقَّى المدخلات، والخلية العصبية التي تنتج المخرجات، والتي تُحسب
بِناءً على أمثلةٍ محددةٍ للمُدخلات والمُخرجات.
تبدأ خوارزمية التعلُّم بمجموعة من الأوزان العشوائية، ، واحد لكلٍّ من المدخلات الثنائية البالغ عددها ، أي . يُحسب تصنيف المخرجات، ، للبيرسيبترون على النحو الآتي:
حيث هو التحيز الذي يغير حد العتبة. خلال عملية التعلم،
يُحدَّث كل وزن من الأوزان الترجيحية وفقًا لقاعدة التعلم:
حيث التصنيف الصحيح و سرعة التعلُّم. إذا كان يساوي واحدًا، فإن إشارة الفرق بين التصنيف الصحيح
وناتج البيرسيبترون ستُحدد مدى تحديث . إذا كان أو الفرق يساوي صفرًا، فهذا يعني عدم حدوث
تحديث.
الفصل الرابع: تكوين الذكريات والاحتفاظ بها
تُمثِّل شبكة هوبفيلد الذكريات في صورة أنماط من النشاط العصبي. تتيح
الوصلات بين الخلايا العصبية للشبكة تكوين ذاكرة ارتباطية، بمعنى أنه
يمكن استرجاع ذكرى بالكامل من خلال تنشيط مجموعةٍ من الذكريات
الفرعية.
تتكون الشبكة من من الخلايا التي تُحدد التفاعلات بينها وفقًا
لمصفوفة الأوزان المتماثلة . كل قيمة في هذه المصفوفة تحدد قوة الاتصال بين الخلية
العصبية والخلية . عند كل نقطة زمنية محددة، تُحدَّث حالة النشاط لكل
خلية وفقًا للمعادلة الآتية:
حيث حد العتبة.
كل ذكرى، ، عبارة عن متجه طوله يحدد حالة النشاط لكل خلية عصبية. إذا كان النشاط
الأوَّلي للشبكة عبارة عن تمثيل مشوش وغير مكتمل للذكرى، فستتطوَّر
الشبكة بالتدريج لتصبح في حالة الذكرى الجاذبة (التي تُحدَّد باستخدام )، وعندئذٍ سيتوقف نشاط الشبكة عن التغيُّر.
تُحدَّد مصفوفة الأوزان عن طريق الذكريات المخزنة في الشبكة. لتخزين من الذكريات، تُحدد كل قيمة من قيم وفقًا للمعادلة الآتية:
ومن ثم، فإن أزواج الخلايا العصبية التي لها نشاط متماثل في العديد
من الذكريات ستتمتَّع بروابط قوية موجبة، أما الخلايا العصبية التي لها
أنماط متعارضة من النشاط، فسيكون بينها روابط قوية سالبة.
الفصل الخامس: الاستثارة والتثبيط
يمكن للشبكات التي تحافظ على قدر مناسب من التوازن بين الاستثارة
والتثبيط تكوينُ نشاط عصبي مشوش ثابت. يمكن تحليل هذه الشبكات باستخدام
منهج المجال الوسطي، الذي يُبسِّط العمليات الرياضية للشبكة بالكامل إلى
حفنة من المعادلات.
تبدأ معادلات المجال الوسطي للشبكة المتوازنة بشبكة تحتوي على من الخلايا العصبية (محفِّزة ومثبِّطة) حيث تتلقى
الخلايا العصبية مُدخلات خارجية ومُدخلات متكررة. فيما يتعلق بالمدخلات
المتكررة، تتلقى كل خلية عصبية من المدخلات المحفِّزة و من المدخلات المثبِّطة. يُفترض أن تكون قيمة أقل من :
بالنظر إلى حالة تتضمن قيمة كبيرة ومدخلات خارجية ثابتة للشبكة، يُعطى متوسط
المدخلات لخلية من النوع (محفِّزة أو مثبِّطة) بالمعادلة الآتية:
وتبايُن المدخلات يساوي ما يأتي:
يمثل الحدَّان و قوة اتصال المدخلات الخارجية بمجموعة الخلايا ، ومعدل إطلاقها للإشارات العصبية الكهربية على
الترتيب، و هو حد العتبة لإطلاق جهد الفعل. هو قياس القوة الإجمالية التي تربط مجموعة الخلايا
المثبِّطة بمجموعة الخلايا (القيمة المقابلة من مجموعة الخلايا المحفِّزة
تُعرَّف بأنها تساوي واحدًا). تُعطى قيمة على صورة قوة اتصال منفرد مضروبًا في .
هو متوسط نشاط مجموعة الخلايا محددًا بالنطاق من صفر إلى واحد. تُحدد هذه القيم من
خلال متوسط قيمة تباين المدخلات وجذرها التربيعي، وفقًا للمعادلة
الآتية:
حيث دالَّة الخطأ المكمِّلة.
للتأكد من أن المدخلات المحفِّزة أو المثبِّطة لم تطغَ على المخرجات
(أي تتجاوز قُدرة الشبكة على معالجة هذه المدخلات لإنتاج مخرجات
مناسبة)، لا بد أن يكون الحد الأول في معادلة من نفس رتبة حد العتبة، وهي واحد. لتحقيق هذا، لا بد
أن تُساوي قوة الروابط الفردية .
الفصل السادس: مراحل الرؤية
تعالج الشبكات العصبية الالتفافية الصور، من خلال محاكاة بعض السمات
الأساسية التي تميز النظام البصري في الدماغ. وهي تتكون من العديد من
العمليات الأساسية. تتمثل الخطوة الأولى في أخذ صورة ، وتطبيق عملية الالتفاف عليها باستخدام مرشِّح . تؤخذ نتيجة هذا الالتفاف وتُطبق عليها دالة لا خطية
تُطبق بشكلٍ فردي على كل عنصر على حِدة للحصول على مخرجات الطبقة التي تُشبه الخلايا
البسيطة:
أشهر دالة غير خطية هي دالة التصحيح الإيجابي:
بافتراض أن كُلًّا من الصورة والمرشِّح مصفوفة ثنائِيَّة الأبعاد،
فإن يكون أيضًا مصفوفة ثنائية الأبعاد. لمحاكاة استجابات
الخلايا المركبة، تُطبق عملية التجميع بأخذ أعلى قيمة ثنائية الأبعاد
(2D max-pooling) على النشاط
الشبيه بنشاط الخلايا العصبية البسيطة. يُعرَّف كل عنصر من عناصر
المصفوفة التي تُمثِّل المخرجات الشبيهة بمخرجات الخلايا البسيطة :
حيث عبارة عن منطقة ثنائية الأبعاد مجاورة ﻟ تتمحور حول الموقع . نستنتج من هذه العملية أن نشاط الخلية المعقدة
ببساطة هو أعلى قيمة لنشاط مجموعة الخلايا البسيطة التي تحصل منها على
مدخلات.
الفصل السابع: فك الشفرة العصبية
عرَّف شانون المعلومات بدلالة وحدات البِت، وهي تُحسب على صورة
لوغاريتم الاحتمال العكسي لرمزٍ للأساس اثنين. يمكن كتابة ذلك أيضًا
على صورة سالب لوغاريتم الاحتمال للأساس اثنين كما يلي:
إجمالي المعلومات في شفرة، وهي قيمة تعرف باسم الإنتروبيا ، يساوي دالة المعلومات في كُلٍّ من رموزه. على وجه
التحديد، الإنتروبيا هو مجموع المعلومات التي يتضمنها كل رمز من رموز الشفرة مضروبًا في احتمالية استخدام هذا الرمز، أي .
الفصل الثامن: الحركة بأبعاد محدودة
يمكن استخدام تحليل العناصر الأساسية لتخفيض عدد الأبعاد لمجموعة من الخلايا العصبية.
تطبيق تحليل العناصر الأساسية على البيانات العصبية يبدأ بمصفوفة
بيانات ؛ حيث يمثل كل صَفٍّ خليةً عصبية (من إجمالي عدد من الخلايا العصبية)، وكل عمود هو نشاط هذه الخلايا
العصبية مطروحًا منه المتوسط على مر الزمن (بطول ):
مصفوفة التشتُّت لهذه البيانات تُعطى على الصورة:
توضِّح معادلة تحليل القيم الذاتية الآتي:
حيث يمثل كل عمود في متجهًا خاصًّا ﻟ و عبارة عن مصفوفة قُطرية؛ حيث تكون المدخلات الواقعة
على طول القُطر القيمَ الذاتية المقابلة للمتجهات الذاتية. تمثل
المتجهات الذاتية ﻟ العناصر الأساسية للبيانات.
لتقليل البيانات كاملة الأبعاد إلى من الأبعاد، تُستخدم المتجهات الذاتية العُليا (حسب ترتيبها وفقًا لقيمها الذاتية) باعتبارها محاور
جديدة. استخدام هذه المحاور الجديدة لفهم البيانات بشكلٍ أفضل يقدِّم
مصفوفة بيانات جديدة:
إذا كانت قيمة تساوي ثلاثة أو أقل، يمكن تصوُّر مصفوفة البيانات
مخفضة الأبعاد هذه.
الفصل التاسع: من البنية إلى الوظيفة
أفاد واتس وستروجتس أنه يمكن تجسيد العديد من مُخطَّطات العالم
الواقعي في صورة شبكات العالم الصغير. تحتوي شبكات العالم الصغير في
المتوسط على مسارات قصيرة (عدد الحواف الفاصلة بين أي عُقدتين)
ومعامِلات تجميع عالية.
تخيَّلْ مخططًا أو بيانًا مكوَّنًا من من العُقد. إذا وصِّلت عقدة محددة ﺑ من العُقد الأخرى تُعرف باسم العُقد المجاورة، فإن
مُعامل التجميع لهذه العقدة يساوي:
حيث هو عدد الحواف الموجودة بين العُقد المجاورة ﻟ ، والحد الموجود في المقام هو إجمالي عدد الحواف التي
قد تكون موجودةً بين هذه العُقد. ومن ثَم، فإن معامل التجميع هو مقياس
لمدى الترابط الداخلي فيما بين مجموعات العقد.
يُعطى معامل التجميع للشبكة بأكملها، من خلال متوسط معاملات التجميع
لكل عقدة:
الفصل العاشر: اتخاذ قرارات عقلانية
فيما يلي الصيغة الكاملة لقاعدة بايز:
حيث يمثل الفرضية و البيانات المرصودة. يُعرف الحد الموجود على الطرف
الأيسر باسم التوزيع البعدي. تتناول نظرية اتخاذ القرار لبايز كيف يمكن
لقاعدة بايز توجيه القرارات، من خلال توضيح الطريقة الصحيحة لرَبْط
التوزيع البعدي بعملية إدراك أو اختيار أو فعل محدد.
في نظرية القرار لبايز، تشير دالة الخسارة أو التكلفة إلى عاقبة
اتخاذ أنواع مختلفة من القرارات الخاطئة (على سبيل المثال، رؤية زهرة
حمراء على أنها بيضاء على سبيل الخطأ، ستكون لها نتائج سلبية مختلفة عن
رؤية زهرة بيضاء على أنها حمراء). في أبسط دالة خسارة، أي فرضية يقع
عليها الاختيار بشكلٍ غير صحيح تخضع للعقوبة نفسها؛ بينما لا يخضع
الاختيار الصحيح لأي عقوبة:
يُحسب إجمالي الخسارة المتوقعة لاختيار فرضية معينة من خلال ضرب هذه الخسارة في الاحتمال الخاص بكل
فرضية:
وهو ما ينتج عنه:
ومن ثم، لتقليل هذه الخسارة، لا بد من اختيار الخيار الذي يزيد من
التوزيع البعدي. بمعنى أن أفضل فرضية هي تلك التي تتضمن أعلى احتمال
بعدي.
الفصل الحادي عشر: كيف توجه المكافآت الأفعال
يصف التعلم المعزز كيف يمكن للحيوانات أو الكيانات الاصطناعية التصرف
ببساطة عن طريق تلقي مكافآت. تُعد القيمة مفهومًا محوريًّا في التعلم
المعزز، وهي مقياس يدمج مقدار المكافأة المستلمة في الوقت الحالي مع ما
هو متوقَّع أن يأتي في المستقبل.
تُعرِّف معادلة بيلمان القيمة لحالة أو عدة حالات، بدلالة المكافأة المستلَمة إذا اتُّخذ القرار في هذه الحالة زائد القيمة المخصومة في الحالة
التالية:
هُنا عبارة عن عامل الخصم، و دالة الانتقال التي تحدد الحالة التي سيكون فيها
الكيان بعد اتخاذ القرار في الحالة . تهدف عملية تحديد أعلى قيمة إلى التأكد من أن
القرار الذي ينتج عنه أعلى قيمة هو الذي يُتَّخذ. يمكنك ملاحظة أن دالة
القيمة تُعرَّف بدلالة نفسها؛ نظرًا لأن دالة القيمة نفسها تظهر في
الطرف الأيمن من المعادلة.
الفصل الثاني عشر: النظريات الموحدة العظمى الخاصة
بالدماغ
قُدم مبدأ الطاقة الحرة باعتباره نظرية موحِّدة للدماغ يمكنها وصف
النشاط العصبي والسلوك. يُعرَّف مبدأ الطاقة الحرة على النحو
الآتي:
حيث يشير إلى المدخلات الحسية، ويشير الرمز إلى حالات الدماغ الداخلية، ويشير الرمز إلى الحالات في العالم الخارجي. يُشار للحد الأول في
هذا التعريف (سالب لوغاريتم احتمال ) أحيانًا باسم «المفاجأة»؛ لأن قيمته تكون مرتفعة
عندما تكون قيمة الاحتمال المتعلق بالمدخلات الحِسية منخفضة.
يشير إلى تباعُد كولباك-ليبلير بين توزيعين احتماليَّين،
ويُعرف كما يأتي:
ومن ثم، يقيس الحد الثاني من تعريف مبدأ الطاقة الحرة الفرق بين
الاحتمالِ المتعلق بحالاتٍ في العالم الواقعي، بناءً على تنبؤات العقل
الداخلية، والاحتمالِ المتعلق بحالاتٍ في العالم الواقعي بناءً على
المدخلات الحسية. يمكن التفكير في الدماغ باعتباره يحاول تقدير باستخدام حالاته الداخلية ، وكلما كان التقدير أفضل، تكون الطاقة الحرة
أقل.
نظرًا لأن مبدأ الطاقة الحرة ينُص على أن الدماغ يهدف إلى تقليل
الطاقة الحرة، لا بد أن يُحدِّث الدماغ تنبؤاته وفقًا لما يأتي:
بالإضافة إلى ذلك، اختيار الأفعال التي يقوم بها الحيوان سيؤثر على
المدخلات الحسية التي يتلقاها:
ومن ثم، لا بد من اختيار الأفعال وفقًا لقدرتها على تقليل الطاقة
الحرة: