اشتراک
علم سلامت فناوری

وقتی آنچه می‌بینید منطقی به نظر نمی‌رسد، مغز شما کار شگفت‌انگیزی انجام می‌دهد

در یک نگاه چکیدهٔ خودکار موتور هوش مصنوعی افق آبی

پژوهش جدیدی نشان می‌دهد مغز چگونه تعارض‌های بینایی را حل می‌کند. گاهی سایه‌ای لحظه‌ای شبیه چهره به نظر می‌رسد یا شیئی با شیئی دیگر اشتباه گرفته می‌شود. مطالعه‌ای که در نیچر نوروساینس منتشر شد، نحوه تعامل دو منطقه مجاور قشر بینایی را بررسی کرد. میترا جوادزاده و همکارانش دریافتند وقتی فعالیت این دو منطقه همخوان بود، الگوی مشترک پایدار می‌ماند، اما هنگامی که الگوهای متعارض تولید می‌کردند، این ناهمخوانی در کسری از ثانیه محو می‌شد. پژوهشگران بر دو منطقه پردازش بینایی در نئوکورتکس تمرکز کردند: قشر بینایی اولیه (V1) و ناحیه بینایی جانبی‌میانی (LM). این مناطق به‌طور مداوم اطلاعات را با یکدیگر مبادله می‌کنند. در آزمایشی، موش‌ها آموزش دیدند میان دو الگوی بینایی با شیب مخالف تمایز قائل شوند. پژوهشگران به‌طور موقت فعالیت V1 یا LM را خاموش کردند و سپس مدلی از شبکه عصبی مصنوعی ساختند. نتایج نشان داد فعالیتی که میان دو منطقه متعارض بود به‌سرعت ناپدید می‌شد، در حالی که فعالیت مشترک مدت بیشتری دوام می‌آورد. جوادزاده این سازوکار را «اجماع‌سازی» می‌نامد. این مطالعه تنها دو منطقه را بررسی کرد، اما پژوهشگران در حال بررسی این هستند که آیا همین فرایند در سراسر نئوکورتکس عمل می‌کند. اگر اجماع‌سازی پویا فراگیر باشد، می‌تواند به درک بهتر مغز و حتی سیستم‌های هوش مصنوعی در برخورد با جریان‌های اطلاعاتی متعارض کمک کند.

گاهی آنچه می‌بینیم بی‌درنگ منطقی به نظر نمی‌رسد. سایه‌ای می‌تواند لحظه‌ای شبیه چهره به نظر برسد، یا شیئی ممکن است لحظه‌ای با شیئی دیگر اشتباه گرفته شود. پژوهش جدیدی نشان می‌دهد مغز ممکن است این تعارض‌های بینایی را با مقایسه تفسیرهای مناطق مختلف تا رسیدن به تصویری سازگارتر حل کند.

در مطالعه‌ای که در نیچر نوروساینس منتشر شد، میترا جوادزاده، همکار سینتیا آر. استبینز در آزمایشگاه کولد اسپرینگ هاربر، و همکارانش در دانشگاه کمبریج و دانشگاه کالج لندن، نحوه تعامل دو منطقه مجاور قشر بینایی را بررسی کردند. آن‌ها دریافتند وقتی فعالیت این دو منطقه همخوان بود، الگوی مشترک پایدار می‌ماند. اما هنگامی که این مناطق الگوهای متعارض تولید می‌کردند، این ناهمخوانی در کسری از ثانیه محو می‌شد.

این یافته‌ها توضیحی احتمالی برای این موضوع ارائه می‌دهد که مغز چگونه اطلاعات مناطق تخصص‌یافته را در یک ادراک واحد و منسجم ترکیب می‌کند.

چگونه مناطق تخصص‌یافته مغز با هم کار می‌کنند

بخش‌های مختلف مغز مسئول پردازش جریان‌های متفاوت اطلاعات حسی هستند، اما تجربه ما از جهان معمولاً یکپارچه به نظر می‌رسد، نه تکه‌تکه. درک این موضوع که این سیستم‌های تخصص‌یافته چگونه با یکدیگر هماهنگ می‌شوند، چالشی بزرگ در علوم اعصاب است.

جوادزاده می‌گوید: «ما در تلاش هستیم بفهمیم چگونه می‌توان چنین سطح بالایی از تخصص را میان این بلوک‌های مختلف داشت، اما همیشه نتیجه‌ای کلی و یکپارچه به دست آورد.»

پژوهشگران بر دو منطقه شناخته‌شده پردازش بینایی در نئوکورتکس مغز تمرکز کردند: قشر بینایی اولیه (V1) و ناحیه بینایی جانبی‌میانی (LM). پردازش بینایی صرفاً در یک جهت از یک منطقه به منطقه بعدی حرکت نمی‌کند. در عوض، این مناطق به‌طور مداوم اطلاعات را با یکدیگر مبادله می‌کنند.

آزمایش آنچه هنگام اختلاف مناطق بینایی رخ می‌دهد

برای بررسی این ارتباط، جوادزاده و همکارانش موش‌ها را آموزش دادند تا میان دو الگوی بینایی با شیب مخالف تمایز قائل شوند. حیوانات برای تشخیص تنها یکی از این جهت‌ها پاداش دریافت می‌کردند.

در طول این وظیفه، پژوهشگران به‌طور موقت فعالیت V1 یا LM را خاموش کردند و رفتار منطقه باقی‌مانده را بدون شریک معمولش زیر نظر گرفتند. سپس این تیم از آن مشاهدات برای ساخت مدلی از شبکه عصبی مصنوعی برای مدار V1-LM استفاده کرد. با این مدل، آن‌ها می‌توانستند بررسی کنند که سیستم هنگام تغییر نورون‌های خاص چگونه پاسخ می‌دهد.

نتایج الگویی چشمگیر را آشکار کرد. فعالیتی که میان دو منطقه مغز متعارض بود به‌سرعت ناپدید می‌شد، در حالی که فعالیت مشترک هر دو منطقه مدت بیشتری دوام می‌آورد.

جوادزاده توضیح می‌دهد: «ما دریافتیم که با گذشت زمان، این نوع ارتباطات میان مناطق، سازوکاری را پیاده‌سازی می‌کنند که ما آن را اجماع‌سازی می‌نامیم.»

سازوکار احتمالی اجماع در سراسر مغز

این مطالعه تنها دو منطقه درگیر در بینایی را بررسی کرد، اما پژوهشگران اکنون در حال بررسی این موضوع هستند که آیا همین فرایند ممکن است به‌طور گسترده‌تر در سراسر نئوکورتکس عمل کند.

او می‌پرسد: «برای مثال، وقتی آنچه می‌بینید با آنچه می‌شنوید در تناقض است، آیا هنوز از همان نوع سازوکارها برای آشتی دادن این دو استفاده می‌کنید؟»

اگر اجماع‌سازی پویا فراگیر باشد، می‌تواند به دانشمندان کمک کند بهتر بفهمند مغز چگونه سیگنال‌های رقیب را در تفسیری پایدار از جهان ترکیب می‌کند. همچنین می‌تواند روشنگر این موضوع باشد که وقتی مناطق مختلف مغز به نتیجه یکسانی نمی‌رسند چه اتفاقی می‌افتد.

این ایده حتی ممکن است پیامدهایی فراتر از علوم اعصاب داشته باشد. اصول مشابه می‌تواند به پژوهشگران کمک کند درباره نحوه برخورد سیستم‌های هوش مصنوعی با جریان‌های اطلاعاتی متعارض و تصمیم‌گیری درباره اینکه به کدام سیگنال‌ها اعتماد کنند، بیندیشند.

جوادزاده می‌پرسد: «در حالی که ما بلوک‌های سازنده منفرد مغز را می‌فهمیم، چه چیزی آن‌ها را به هم می‌چسباند؟ دانستن این موضوع می‌تواند در نهایت به ما کمک کند بفهمیم مغز به‌عنوان یک کل چگونه کار می‌کند.»

منبع داستان:

مواد ارائه‌شده توسط آزمایشگاه کولد اسپرینگ هاربر. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.

مرجع نشریه:

  1. Mitra Javadzadeh, Marine Schimel, Sonja B. Hofer, Yashar Ahmadian, Guillaume Hennequin. Reciprocal connections dynamically build consensus between neocortical areas. Nature Neuroscience, 2026; DOI: 10.1038/s41593-026-02437-3
اشتراک:
این گزارش ترجمه و بازنویسی خبری با موتور هوش مصنوعی افق آبی است و برای خوانندهٔ فارسی‌زبان بازتنظیم شده. منبع اصلی: sciencedaily.com