Обчислювальна Нейронаука

Що таке обчислювальна нейронаука?

Обчислювальна нейронаука — міждисциплінарна галузь на перетині нейробіології, математики, фізики та інформатики. Її мета — будувати кількісні математичні моделі нервової системи, що пояснюють нейронні механізми сприйняття, навчання, пам'яті та прийняття рішень.

На відміну від «чистої» нейробіології, що піклується про молекулярні та клітинні деталі, і від «когнітивної» психології, що вивчає поведінкові патерни, обчислювальна нейронаука будує механістичні моделі середнього рівня: як нейронні мережі реалізують когнітивні функції.

✶ Рівні аналізу (Марр, 1982)

Обчислювальний: Що обчислює система? Яка задача вирішується?

Алгоритмічний: Який алгоритм та представлення? Як задача вирішується?

Апаратний (імплементаційний): Як алгоритм реалізований фізично? (нейрони, синапси)

Обчислювальна нейронаука працює на всіх трьох рівнях, прагнучи відобразити один на інший.

Модель Ходжкіна-Хакслі (1952)

Алан Ходжкін та Ендрю Хаксл (Nobel 1963) розробили першу точну математичну модель потенціалу дії в аксоні кальмара Loligo . Чотири диференційні рівняння:

де: C m = мембранна ємність; V = напруга; m, h — воротільні змінні Na + -каналу; n — воротільна змінна K + -каналу; E Na =+55 мВ, E K =−77 мВ — рівноважні потенціали. Ця модель відтворює форму потенціалу дії, рефрактерний період та частотно-струмову залежність (f-I криву).

Спрощені моделі нейрона

HH-модель із 4 змінними надто складна для великих мереж. Простіші альтернативи:

Синаптична пластичність та навчання

Правило Хобба (Hebbian learning, 1949)

«Нейрони, що активуються разом, з'єднуються разом» і навпаки. Математично: △w ij = η·x i ·x j , де η — швидкість навчання. Проблема: w ij нескінченно зростає. Вирішення — нормалізація (Oja, 1982) або STDP.

STDP реалізує кауза́льне правило Хобба: підсилення синапсу лише якщо пресинаптичний нейрон активується перед постсинаптичним (в межах ~20 мс). Це виявлено in vitro та in vivo в гіпокампі, зоровій корі, кору слуху.

Довготривала потенціація (LTP): NMDA-рецептор як «детектор совпадінь» (Mg²⁺-блок): відкривається лише при одночасній деполяризації постсинапса та зв'язуванні глутамату → впіймання Ca²⁺ → каскад PKA/CaMKII → AMPA-рецептори вставляються → ваговий приріст.

Популяційні коди та представлення інформації

Як нейрони «кодують» сенсорну інформацію? Кілька гіпотез:

📊 Rate Coding

Інформація у середній частоті спайків (Hz). Класично: клітини орієнтації Хьюбеля-Візеля — пік при конкретній орієнтації. Простий, але «повільний».

⏱ Temporal Coding

Інформація у точних часових патернах спайків (ISI, фазова синхронія). Гамма-осциляції 40 Hz прив'язують нейрони до фази. Binding by synchrony.

👥 Population Coding

Інформація розподілена по популяції нейронів. Place cells Про'ОКіфа: конкретне місце → конкретна «решітка» нейронів. Оптимальний (Bayesian) популяційний декодер.

🌀 Sparse Coding

Олхаузен & Філд (1996): зорова кора кодує патчі зображень в sparse ненульовому базисі — мінімізація кількості активних нейронів при максимальному відновленні сигналу. Пояснює Gabor-подібні рецептивні поля V1.

Предикторне кодування та байєсівський мозок

Теорія предикторного кодування (Rao & Ballard, 1999; Friston, 2005): мозок постійно генерує «передбачення» сенсорного входу зверху вниз і надсилає лише непередбачену «помилку передбачення» знизу вгору.

Карл Фрістон (2010) об'єднав це у теорії «вільної енергії» (Free Energy Principle): мозок мінімізує очікуваний сюрприз (surprise = -log P), що еквівалентно виведенню апостеріорних причин входу. Це об'єднує сприйняття, дію та навчання в єдине математичне поле.

Клінічні застосування: теорія передбачає, що шизофренія — це дефіцит балансу ваги (precision) передбачень vs PE; аутизм — надмірна вага PE (гіпер-чутливість до сенсорного входу).

Мережеві моделі та осциляції

E-I баланс: більшість кортикальних мереж утримуються у збалансованому стані збудження (E) та гальмування (I). Теорема Ван-Вресвейка та Зомполяні (1996): при великій кількості зв'язків E-I-сітка перебуває в «хаотичному» режимі — де кожний нейрон характеризується синаптично-зумовленою нерегулярністю. Це погоджується з CV~1 у кортикальних записах.

Тета-гамма зв'язка (theta-gamma coupling): гіпокампальні тета-осциляції (4-8 Hz) організовують гамма-осциляції (30-80 Hz) всередині кожного тета-циклу → послідовне представлення різних «слотів» робочої пам'яті (~7 циклів ×4 гамма = ~28 слотів).

Атрактори та пам'ять: модель Хопфілда (1982): мережа з N нейронів та симетричними вагами має енергетичну функцію; запам'ятовані патерни — точки мінімуму (атрактори); ємність ~0.14N патернів.

Часті запитання

Обчислювальна нейронаука (КН) будує біологічно достовірні моделі нервової системи: спайкова активність, синаптична пластичність (STDP, LTP), іонні канали, анатомічна коннектоміка. Її мета — зрозуміти мозок. Глибоке навчання (DL) натхненне мозком, але спрощене та оптимізоване для інженерних задач (класифікація, генерація): backprop, градієнтний спуск, батч-нормалізація — немає біологічних аналогів. КН і DL взаємно впливають: CNN натхнений ієрархією зорової кори; трансформери натхнені увагою; але «нейронні мережі» ≠ нейронні мережі мозку.

Blue Brain Project (Марк Маркрам, EPFL, 2005) — амбіційна спроба побудувати детальну мікроколумарну симуляцію кори щура in silico. Версія 2015 р.: ~30 000 нейронів (11 типів), ~40 млн синапсів, 55 морфо-електричних типів. Статус 2023: масштабована до цілої кори миші (~70 млн нейронів), інтегрована з сенсорикою та руховою корою. Досягнення: симуляція відтворює локальні поля потенціалів, Up/Down стани, частотно-токові (f-I) криві, що узгоджуються з in vivo. Критика: чи є «точна симуляція» рівнозначною «розумінню»?

Карл Фрістон (UCL) запропонував єдиний принцип: живі системи мінімізують «вільну енергію» (Variational Free Energy — верхня межа surprise). Ця мінімізація відбувається двома способами: 1) Оновлення внутрішніх моделей під вхід (Bayesian inference / perception); 2) Зміна середовища так, щоб воно відповідало передбаченням (action/behavior). Теоретично об'єднує: сприйняття, дію, навчання, еволюцію адаптивних систем. Але: критики вказують на надмірну широту та гнучкість — складно фальсифікувати.

Джон О'Кіф (Nobel 2014): Place cells (клітини місця) в гіпокампі CA1/CA3 — кожна активується лише в специфічному «місці» (place field) середовища. Mай-Бріт та Едвард Мозер (Nobel 2014): Grid cells (ґраткові клітини) в entorhinal cortex — активуються в правильній гексагональній ґратці, що покриває все середовище з різним масштабом (від 30 см до 10 м). Розшифровка: знаючи активність ансамблю клітин місця, декодер може відновити позицію миші з точністю ~5 см. Це «внутрішня GPS» — паростки когнітивної карти Толмена.

Частково. Схожості: ієрархічна обробка (V1→V2→V4→IT у зоровій корі ~ конволюційні шари); «фільтри» перших шарів CNN схожі на Gabor-фільтри V1 (Yamins & DiCarlo, 2016). Відмінності: 1) Мозок — спайковий, асинхронний vs DNN — неперервні активації в синхронних батчах. 2) Мозок навчається онлайн локальними правилами (STDP); NN — через backprop (не біологічний). 3) Мозок має латеральні, рекурентні зв'язки всюди. 4) One-shot learning у мозку vs тисячі прикладів. Нові напрямки: spiking neural networks (SNN) і predictive coding networks намагаються подолати прірву.

Коннектóм — повна карта всіх нейронних зв'язків організму (синаптична матриця). Досягнення: C. elegans — усі 302 нейрони та ~7000 синапсів (White et al., 1986); плодова муха головний мозок — 25 000 нейронів, 20 млн синапсів (Zheng et al., 2018); миша зорова кора (MiCrONS, 2021) — 75 млн синапсів. Людський мозок — ~86 млрд нейронів × 100 трлн синапсів — поза досяжним у найближчому майбутньому. Значення: коннектом + активність + модель → передбачення поведінки; розуміння нейронних розладів (аутизм, шизофренія — «disconnection syndromes»).

Spike-Timing-Dependent Plasticity (STDP) — біологічне правило синаптичної пластичності: синапс зміцнюється (LTP), якщо пресинаптичний нейрон активується за ~20 мс ДО постсинаптичного (causal); слабшає (LTD), якщо ПІСЛЯ. Знайдено in vitro у гіпокампі (Bi & Poo, 1998) та зоровій корі. Matematично є точним наближенням першого порядку до BCM-правила (Bienenstock-Cooper-Munro). Де і навіщо: пояснює «послідовне» навчання в CA3→CA1 (theta sequences — часові послідовності клітин місця «запам'ятовуються»); класифікацію без вчителя в сенсорних системах. Обмеження: в реальних мережах залежить ще від типу синапсу, нейромодуляторів та тривалості.

Так, безпосередньо: 1) Deep Brain Stimulation (DBS): оптимальні параметри стимуляції (частота, амплітуда) підбираються через моделі паттернів Паркінсонічних осциляцій (бета 13-30 Hz у базальних гангліях). 2) Епілепсія: моделі ініціації та поширення нападу → цільова стимуляція для зупинки. 3) Нейропроте́зи: декодери сигналів кори рухового нейрона → контроль руки/ноги (BrainGate). 4) Психіатрія: мережеві моделі шизофренії (знижена E-I ratio у дорсолатеральній ПФК) → нові мішені для фармакотерапії. 5) Реабілітація після інсульту: моделі нейропластичності → оптимальні протоколи тренування.

Гіпотеза критичності (Beggs & Plenz, 2003): кора функціонує поблизу фазового переходу між упорядкованим і хаотичним режимами (критичний стан). Ознаки: нейронні лавини (neuronal avalanches) підпорядковуються степеневому закону (P(s) ~ s^(-3/2) для розміру лавини). Переваги критичного стану: 1) Максимальна динамічна шкала: рівна чутливість до сигналів різної амплітуди. 2) Максимальна інформаційна ємність мережі (entropy). 3) Оптимальна передача інформації. Докази: нейронні лавини у культурах нейронів, анестезованих тварин та awake щурів. При епілепсії — «надкритичність»; при коматозних станах — «субкритичність». Парадокс: поблизу критичної точки система нестабільна — як підтримувати це in vivo?

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте The Dunning-Kruger Effect: Why Low Skill Can Hide Its Own Existence і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.