کاوش در شناخت از طریق محاسبات: علوم اعصاب محاسباتی شناختی

علوم شناختی، ذهن را مطالعه می کند، در حالی که علم محاسبات، مدل های محاسباتی را برای حل مسائل پیچیده توسعه می دهد. همپوشانی این زمینه ها منجر به تشکیل علوم اعصاب محاسباتی شناختی شده است که از مدل های محاسباتی برای درک اساس عصبی فرآیندهای شناختی و توسعه مداخلات برای اختلالات عصبی و روانی استفاده می کند.

در ادامه نوشتار، به بررسی چیستی و چگونگی تشکیل این شاخه از علم و معرفی بیشتر آن می پردازم.

علوم اعصاب محاسباتی شناختی چیست؟

عبارت علوم اعصاب محاسباتی شناختی (Cognitive Computational Neuroscience)، از سه بخش تشکیل شده که در کنار یکدیگر، یکی از مهم ترین زمینه های بین رشته را فراهم می آورد. بخش اول یعنی عصب شناسی، به فعالیت سیستم عصبی اشاره می کند که در ابعاد مختلفی مانند مرکزی-محیطی، حسی-حرکتی، سلولی، شمیایی و … مورد بررسی قرار می گیرد.

بخش دوم یعنی محاسباتی، به الگوریتم های ریاضیاتی و کامپیوتری اشاره می کند؛ این مدل ها با نوعی کاهش گری به کار می گیرند تا بتوانند عملکرد های زیستی و شناختی مرتبط با مغز و ذهن را به صورت ساده تری حدس زده، آزمون کرده و در نهایت کشف کنند. بخش آخر بعد شناختی این عنوان را نشان می دهد که کارکرد های مختلفی را مد نظر قرار می دهد (مانند تفکر، تصمیم گیری، یادگیری، پردازش اطلاعات، ادراک و…).

علوم اعصاب محاسباتی شناختی، از ترکیب حوزه های متفاوت حاصل می شود.

علوم اعصاب محاسباتی شناختی بر ارتباط این سه بخش تاکید می کند؛ به طوری که برای فهم بهتر مکانیزم های زیستی و شناختی، مدل هایی ارائه می شود، نتایج این مدل ها با داده های تجربی مقایسه می شود (مثلا داده های استخراج شده از آزمایش های مغزی و رفتاری) و در نهایت با توجه به بازخورد هایی که از این مقایسه دریافت می شود، مدل تصحیح می شود تا توجیه بهتری ارائه کند.

علوم اعصاب محاسباتی شناختی چطور ایجاد شد؟

تاریخچه علوم اعصاب محاسباتی شناختی

فهم فرایند پردازش اطلاعات نیازمند ساخت مدل های محاسباتی است که بتوانند تکالیف شناختی را اجرا کنند. این موضوع را اولین بار آلن نوول در سال 1973 مطرح کرد به طوری که بیان کرد: «نمی توانی با طبیعت بیست سوالی بازی کنی و برنده شوی.»

در واقع نوول سطح و نوع مطالعات علوم شناختی در دوره خود را مورد تمسخر قرار داده بود؛ زیرا هر پژوهش تنها یک فرضیه را آزمون می کرد و امید بر آن بود که بررسی صحت این فرضیه ها در نهایت به برملا شدن الگوریتم های مغزی برسد.

پیش از ایجاد رشته عصب شناسی محاسباتی شناختی، فرضیه ها در مسیر شناخت الگوریتم های مغزی به کندی حرکت می کردند.

نوول باور داشت که مدل های زبانی درباره شناخت، احتمالا هیچگاه نمی تواند به فهم محاسباتی الگوریتم های مغزی بیانجامد. از دیدگاه او، فرضیه ها باید کاملا در ساختار مفهمومی مدل های محاسباتی باشد تا بتواند الگوریتم های مغزی را آشکار سازد. مدل هایی که در علوم اعصاب محاسباتی شناختی ارائه می شود، در صدد کشف اجزای موثر در شناخت و پردازش های مغزی  و سپس نحوه تعامل این اجزا هستند.

با توجه به نقد نوول، گذر کردن از روانشناسی شناختی به علوم شناختی، از طریق ارائه مدل های محاسباتی مبتنی بر عملکرد در تکالیف شناختی ممکن شد. دانشمندان علوم شناختی به سرعت متوجه شدند که برای تبیین چنین مدل هایی نیازمند کمک گرفتن از علومی مانند مهندسی هستند.

علوم مهندسی به کمک رون شناسی شناختی آمدند و ایجاد حوزه بین رشته ای علوم اعصاب محاسباتی شناختی تسهیل شد.

در دهه 1980 با استفاده از داده های رفتاری انسانی، پیشرفت های شگرفی در حوزه معماری شناختی نمادین و شبکه های عصبی انجام شد که برای انتخاب مدل بهتر بسیار کمک کننده بود.

پس از آن در دهه 1990 شروع به نقشه برداری مغزی کردند به طوری که در آن ها ماژول های پردازش اطلاعات و تعامل بین آن ها تعریف شده باشد. با بررسی داده های حاصل از فعالیت های مغزی، بخش اعصاب شناسی در اعصاب شناسی محاسباتی شناختی، رشد کرده و کمی از ساخت مدل های محاسباتی دور شد.

برای مرتبط کردن ماژول های شناختی با مناطق مغزی، از تکنیک های عکس برداری کارکردی (مانند الکتروانسفالوگرافی یا Electroencephalography، توموگرافی انتشار پوزیترون یا Positron Emission Tomography، تصویر برداری تشدید مغناطیسی کارکردی functional Magnetic Resonance Imaging) استفاده می شود.

نقشه های مغزی، مکانیزم های محاسباتی را آشکار نمی کنند اما به شناسایی ارتباطات نورولوژیک، انتقالات انرژی و سیگنال ها کمک می کند.

امروزه در حوزه علوم اعصاب شناختی، نقشه مغزی جهانی ای برای انسان ها و غیر پریمات ها ایجاد شده اما هنوز پردازش اطلاعات مغزی، به صورت محاسباتی به طور کامل مدل نشده است. اما مدل های امروزی سیر صعودی ای برای رسیدن به مدل هایی است که با داده های زیست شناختی موجود منطبق باشد.

مدل های ارائه شده در حوزه عصب شناسی محاسباتی شناختی، در ارائه تببین فرایند های مغزی سیر صعودی دارند.

 دسته بندی مدل های حوزه علوم اعصاب محاسباتی شناختی

• مدل های بالا به پایین (Top-Down): یکی از انواع مدل های محاسباتی ای که امروزه به تببین مناسبی دست یافته است، سری مدل های شناختی بیزین (Bayesian Cognitive Models) است؛ که در ابتدا برای فرایند های حسی و حرکتی پایه ای بوده و به تدریج به ماژول های شناختی پیچیده تر (مانند نحوه ادراک دنیای فیزیکی و اجتماعی) راه یافت.

مدل های بیزین بر اساس فرضیه ای طراحی شده اند که طبق آن، مغز بهترین راه حل برای یک تکلیف شناختی را تخمین می زند و سپس طبق اطلاعات پیشین، بهترین نتیجه گیری را با استفاده از قوانین احتمال انتخاب می کند.

• مدل های پایین به بالا (Bottom-Up): این مدل ها به بررسی روابط پویای بین نورون های زیستی می پردازند که می تواند ما را به سمت توابع محاسباتی پایه ای (مثلا برای اجزایی مانند رمز گذاری حسی یا Sensory Coding، نرمال سازی یا Normalization، حافظه کاری یا  Working Memory، ذخیره اطلاعات یا Evidence Accumulation، تصمیم گیری یا Decision Making و کنترل حرکتی یا Motor Control) لازم هدایت کند. در دو دهه گذشته عصب شناسی محاسباتی شناختی، مدل های ابتدایی ای ارائه کرده اند که با کارکرد های نورونی منطبق اند.

این مدل ها با استفاده از اندازه گیری مولفه های مرتبط با فرایند های مغزی، به فهم بهتری از مکانیزم های محاسبات مغزی دست پیدا کند. برای مثال بررسی تعداد زیادی از نورون ها و ارتباط آن ها به طور همزمان، در سطح مدار های نورونی، می تواند اطلاعات قابل توجهی درباره مکانیزم فرایند انتقال پیام بین نورون ها در اختیار ما بگذارد که مدل سازی و طرح نظریه های کلی تر را راحت تر می کند.

در حوزه عصب شناسی محاسباتی شناختی، مدل های پایین به بالا، فهم مسائلی مانند روابط بین نورونی اهمیت دارد.

• هوش مصنوعی نشان داده است که ترکیب توابع چگونه می تواند رفتار هوشمندانه را ایجاد کند. مدل های مبتنی بر یادگیری ماشین (Machine Learning) اخیرا با استفاده از مجموعه داده های بزرگ برای یادگیری، پیشرفت قابل توجهی در حل مشکلات مدلسازی شناخت، ادراک و کنترل به وجود آمده است. برخی از مهم ترین پیشرفت های این حوزه، از طریق مدل های شبکه عصبی عمیق به دست آمده اند؛ که از واحد هایی تشکیل شده اند که ترکیب های خطی ورودی ها را محاسبه می کنند.

یادگیری ماشین و یادگیری عمیق به پیشرفت مدلسازی در عصب شناسی محاسباتی شناختی، کمک شگرفی کرده است.

به طور کلی برای فهم بهتر و مدلسازی دقیق تر مغز بهتر است این مواجهه ها در ارتباط با یکدیگر صورت گیرد. ما با استفاده از مدل های بالا به پایین (یا مدل های مبتنی بر نظریه)، که در صدد توجیه کارکرد های رفتاری برامده اند فرضیه سازی می کنیم و سپس آن ها را از طریق مدل های پایین به بالا (یا مبتنی بر داده) آزمون کرده و تصحیح می کنیم.

مدل های ارائه شده در حوزه عصب شناسی محاسباتی شناختی، موارد متعددی را شامل می شود که می تواند به بعد زیستی یا شناختی نزدیک تر باشد؛ اما به هر حال از بعد محاسباتی (در سطوح متفاوتی) بررسی می شود تا بتواند تبیین های دقیق تری ارائه کند.

آینده علوم اعصاب محاسباتی شناختی

در پایان باید گفت که علوم اعصاب محاسباتی شناختی، یک رشته به سرعت در حال رشد است که به دنبال ارتقاء درک ما از مغز و شناخت از طریق ادغام علوم شناختی و علوم محاسباتی است. با توسعه مدل‌های محاسباتی فرآیندهای عصبی، محققان قادر به پیش‌بینی و آزمایش فرضیه‌هایی در مورد نحوه عملکرد مغز هستند که منجر به بینش‌های جدیدی در مورد اساس عصبی شناخت و رفتار می‌شود. این رویکرد میان رشته ای، پتانسیل روشن کردن انواع اختلالات عصبی و روانپزشکی را دارد که منجر به توسعه درمان ها و مداخلات جدیدی می شود که می تواند زندگی میلیون ها نفر را بهبود بخشد.