دانلود مقاله محاسبات مربوط به انتخاب مدار نورونی

مقدمه

آزمایش های رفتاری با استفاده از انواع مختلف پارادایم های وظیفه ای به شکل گیری دو دسته گسترده از مدل های ریاضی برای تصمیم گیری منجر شده است. از یک سو ، مدلهای نمونه گیری متوالی، تجمعات اطلاعاتی را که در گذر زمان به نمایش درمی آیند توصیف میکند و دقت عملکرد را تعیین نموده و زمان واکنش دهی را در وظایف ادراکی و حافظه ای نشان میدهد. سوی دیگر، مدل های نظریه بازی و مدل های یادگیری تقویتی ، مربوط به رفتار انتخابی پویا هستند که بر اساس حداکثر سازی سود و ارتباط متقابل با محیط های دیگر و عوامل تصمیم گیری می باشند. ین مدل ها بدلیل توصیف کمی داده های رفتاری و ارزیابی اندیشه های نظری در فرآیندهای شناختی تصمیم گیری مهم هستند. با این حال، برای درک صحیح اساس بیولوژیکی رفتار تصمیم گیری، ساخت مدل های واقعی مدار عصبی بسیار مهم است زیرا به ما این امکان را می دهد که ماشین های عصبی و انبوهی از شبکه های عصبی جمعی پویا را در زیر لایه های تصمیم گیرنده ی مغز کشف کنیم. این امکان به تازگی و به لطف پیشرفت های صورت گرفته در نوروفیزیولوژی حیوانات ، تصویربرداری انسانی و تئوری های جدید به وجود آمده است. در این فصل به خلاصه پیشرفت های اخیر در این زمینه پرداخته شده است. مکانیسم های بیولوژیکی و مدل های مدار عصبی در رفتار های انتخابی مورد بحث قرار گرفته اند و یک چارچوب منسجم برای تصمیم گیری ادراکی ارائه شده است ( به فصل 9 مراجعه شود) و رفتار های انتخابی مبتنی بر ارزش (به فصل مراجعه کنید 20) به شکل یک مدل مدار عصبی بازگشتی که دارای انعطاف پذیری سیناپسی وابسته به پاداش است، ارائه گردیده است.

مدل سازی Spiking شبکه چیست؟

آزمایشات فیزیولوژیکی در رفتار حیوانات برای کشف سیگنال های عصبی با جنبه های خاص تصمیم گیری حیاتی مرتبط هستند. مدل سازی عصبی مبتنی بر بیوفیزیک می تواند مکانیزم های مدار را که موجب بروز سیگنال های مشاهده شده عصبی می شوند ترسیم نموده و اصول محاسباتی کلیدی را در سطح مفهومی شناسایی کند. در خصوص سوالات خاصی در مورد تصمیم گیری مانند آنچه در ادامه بحث شده است، مهم است که بتوانیم شلیک عصبی پتانسیل های عمل و یا خوشه های عصبی (سیگنال های الکتریکی اغلب از نظر ریاضی به عنوان نقاط فرایند توصیف می شود ؛ به فصل 5 مراجعه کنید) را شناسایی کنیم که از طریق آن نورون ها اطلاعات را انتقال می دهند و با یکدیگر ارتباط برقرار می کنند. به این منظور، سلولهای تکی را می توان با استفاده از یک مدل عصبی اسپیکینگ توصیف کرد و نه با یک مدل سرعت شلیک . انتخاب مناسب برای انجام این نوع از مدل های جایگزین ،بکارگیری مدل نشتی ادغام و شلیک و یا مدل Hodgkin-Huxley است. چنین مدلی با اندازه گیری های فیزیولوژیکی، مانند ثابت الکتریکی زمان غشاء سلول عصبی و عملکرد خروجی ورودی (سرعت شلیک به عنوان عملکرد ا جریان ورودی سیناپسی)، که می تواند برای انواع مختلف سلول ها مانند سلول های هرمی بازتابی و مهاری درون سلولی کالیبره گردد.

لازم به ذکر است که در یک مدل مبتنی بر بیوفیزیک، سیناپس ها نیز باید با دقت مدلسازی شوند. بر خلاف مدل های ارتباطی که در آن جفت شدن بین نورون ها معمولا یک عمل لحظه ای تاشی از از فعالیت شلیک است، سیناپس ها ثابت زمانی لازم برای برانگیخته شدن و افت مورد نیاز خود را دارند و این خواص را بطور مجموع نشان میدهند. این یک ویژگی مهم در این کلاس از مدل است زیرا پویایی های سیناپتیک یک عامل حیاتی در تعیین زمان ادغام یک مدار عصبی اختصاص داده شده به تصمیم گیری بوده و همچنین در کنترل ثبات یک شبکه قوی تکراری نیز اهمیت دارند. هنگامی که این "بلوک های ساختمانی" (سلول های تکی و سیناپس ها) برای یک مدل خاص بوجود آمده است، از آنها برای ساختن یک شبکه با یک ساختار قابل اعتماد بیولوژیکی استفاده میشود. یک تشکیلات مدار معمولی فرض ب معمول، در واقع یک تحریک محلی بین نورونهای انتخابی مشابه است که با یک مهار سراسری در کل شبکه ادغام شده است. تعادل پویا بین تحریک سیناپسی و مهار یکی دیگر از ویژگی های میکرو شبکه غشایی است که به طور فزاینده ای از نظر تجربی به رسمیت شناخته شده و در مدل های شبکه ی غشایی بکار گرفته میشود.