ನ್ಯೂರಾನ್ ವಿರುದ್ಧ ಸಿನಾಪ್ಸ್: ಡ್ರೈವಿಂಗ್ ಸೀಟ್‌ನಲ್ಲಿ ಯಾವುದು? | Duda News

    ಡೇವಿಡ್ ಡಹ್ಮೆನ್

    • ಅಡ್ವಾನ್ಸ್ಡ್ ಸಿಮ್ಯುಲೇಶನ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್, ಜೂಲಿಚ್ ರಿಸರ್ಚ್ ಸೆಂಟರ್, ಜರ್ಮನಿ

&ಗನ್ ಶಾಟ್; ಭೌತಶಾಸ್ತ್ರ 17, 50

ಪ್ಲ್ಯಾಸ್ಟಿಕ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಹೊಸ ಸೈದ್ಧಾಂತಿಕ ಚೌಕಟ್ಟು ಕ್ರಿಯಾತ್ಮಕ ಆಡಳಿತವನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ, ಅಲ್ಲಿ ನ್ಯೂರಾನ್‌ಗಳಿಗಿಂತ ಸಿನಾಪ್ಸ್‌ಗಳು ಪ್ರಾಥಮಿಕವಾಗಿ ನೆಟ್‌ವರ್ಕ್‌ನ ನಡವಳಿಕೆಯನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತವೆ, ಮೆದುಳಿನಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಸ್ಮರಣೆಗಾಗಿ ಪರ್ಯಾಯ ಅಭ್ಯರ್ಥಿ ಕಾರ್ಯವಿಧಾನವನ್ನು ರಚಿಸುತ್ತವೆ.

ಡಿ. ಕ್ಲಾರ್ಕ್/ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯ

ಚಿತ್ರ 1: ನರಗಳ ಜಾಲದಲ್ಲಿನ ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಸಸ್‌ಗಳ ಡೈನಾಮಿಕ್ಸ್‌ಗಳು ಇಡೀ ನೆಟ್‌ವರ್ಕ್‌ನ ಡೈನಾಮಿಕ್ಸ್‌ನ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಿದಾಗ, ನಿರ್ದಿಷ್ಟ ನರಕೋಶದ ಚಟುವಟಿಕೆಯ ಮಾದರಿಗಳು ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಉದ್ಭವಿಸಬಹುದು. ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ನಿಂತರೆ, ಈ ಮಾದರಿಗಳು ಸ್ಥಿರವಾಗುತ್ತವೆ, ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ಪುನರಾರಂಭವಾಗುವವರೆಗೆ ನರಕೋಶದ ಸ್ಥಿತಿಗಳು “ಘನೀಕರಿಸುತ್ತವೆ”.

ಮೆದುಳು ನ್ಯೂರಾನ್‌ಗಳ ವಿಶಾಲವಾದ ಜಾಲವಾಗಿದೆ, ಅದರ ಡೈನಾಮಿಕ್ಸ್ ಅದರ ಸಂಕೀರ್ಣ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಆಧಾರವಾಗಿರಿಸುತ್ತದೆ. ನರಕೋಶದ ಜಾಲವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಇದು ರೇಖಾತ್ಮಕವಲ್ಲದ ಶೈಲಿಯಲ್ಲಿ ಸಂವಹನ ಮಾಡುವ ಬಹು ಘಟಕಗಳು, ನ್ಯೂರಾನ್‌ಗಳಿಂದ ಕೂಡಿದೆ (ಚಿತ್ರ). 1, ಅದೇನೇ ಇದ್ದರೂ, ನರಗಳ ಜಾಲಗಳು ಮತ್ತು ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಸ್ಪಿನ್ ಗ್ಲಾಸ್‌ಗಳಂತಹ ಹೆಚ್ಚು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಗಳ ನಡುವೆ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸವಿದೆ: ನರಕೋಶಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಬಲವು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು. ಸಿನಾಪ್ಟಿಕ್ ಪ್ಲಾಸ್ಟಿಸಿಟಿ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಇದು ಕಲಿಕೆಯಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ ಎಂದು ನಂಬಲಾಗಿದೆ. ಈಗ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಡೇವಿಡ್ ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಲ್ಯಾರಿ ಅಬಾಟ್ ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಅವುಗಳ ಸಂಕೇತಗಳನ್ನು (ಸಿನಾಪ್ಸಸ್) ರವಾನಿಸುವ ಸಂಪರ್ಕಗಳನ್ನು ಒಂದೇ ಮಟ್ಟದಲ್ಲಿ ಇರಿಸುವ ಔಪಚಾರಿಕತೆಯನ್ನು ಪಡೆದಿದ್ದಾರೆ (1, ಎರಡು ವಸ್ತುಗಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಮೂಲಕ, ಸಂಶೋಧಕರು ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುವ ಕಡೆಗೆ ಹೆಜ್ಜೆ ಹಾಕುತ್ತಾರೆ: ನರಕೋಶಗಳು ಅಥವಾ ಸಿನಾಪ್ಸಸ್ ನಿಯಂತ್ರಣದಲ್ಲಿದೆಯೇ?

ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಅಬಾಟ್ ಪ್ಲಾಸ್ಟಿಟಿಯೊಂದಿಗೆ ಮತ್ತು ಇಲ್ಲದೆ ನರಕೋಶದ ಜಾಲಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಸೈದ್ಧಾಂತಿಕ ಸಾಧನಗಳನ್ನು ಬಳಸುವ ಸಂಶೋಧಕರ ದೀರ್ಘ ಸಾಲಿನಲ್ಲಿ ಇತ್ತೀಚಿನವರು (2, 3, ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು-ಪ್ಲಾಸ್ಟಿಸಿಟಿ ಇಲ್ಲದೆ-ಈ ವ್ಯವಸ್ಥೆಗಳ ಡೈನಾಮಿಕ್ಸ್ ಮತ್ತು ವರ್ಗೀಕರಣ ಸಾಮರ್ಥ್ಯಗಳಂತಹ ಅವುಗಳ ಕಾರ್ಯಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಸಾಮಾನ್ಯ ತತ್ವಗಳ ಬಗ್ಗೆ ಪ್ರಮುಖ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸಿದೆ (4), ಮೆಮೊರಿ ಸಾಮರ್ಥ್ಯ (5, 6), ಮತ್ತು ನೆಟ್‌ವರ್ಕ್ ತರಬೇತಿ ಸಾಮರ್ಥ್ಯ (7, 8, ಈ ಕೃತಿಗಳು ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿ ತಾತ್ಕಾಲಿಕವಾಗಿ ನಿರ್ಧರಿಸಲಾದ ಸಿನಾಪ್ಟಿಕ್ ಸಂಪರ್ಕವು ನರಕೋಶಗಳ ಸಾಮೂಹಿಕ ಚಟುವಟಿಕೆಯನ್ನು ಹೇಗೆ ರೂಪಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅಧ್ಯಯನ ಮಾಡಿದೆ. ವ್ಯವಸ್ಥೆಗೆ ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು ಸೇರಿಸುವುದು ಸಮಸ್ಯೆಯನ್ನು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತದೆ ಏಕೆಂದರೆ ನರಕೋಶಗಳ ಚಟುವಟಿಕೆಯು ನಂತರ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಸಿನಾಪ್ಟಿಕ್ ಸಂಪರ್ಕವನ್ನು ರೂಪಿಸುತ್ತದೆ (9, 10,

ನರಕೋಶದ ಜಾಲದಲ್ಲಿ ನರಕೋಶ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ನಡುವಿನ ಪರಸ್ಪರ ಪರಸ್ಪರ ಕ್ರಿಯೆಯು ಎರಡೂ ವಿಧದ ಡೈನಾಮಿಕ್ಸ್‌ಗಳ ಬಹು ಸಮಯ-ಮಾಪಕಗಳಿಂದ ಮತ್ತಷ್ಟು ಅಸ್ಪಷ್ಟವಾಗಿದೆ. ಪ್ಲಾಸ್ಟಿಟಿಯೊಂದಿಗಿನ ಅಂತಹ ಜಾಲಗಳ ಸಾಮೂಹಿಕ ನಡವಳಿಕೆಯನ್ನು ಸೈದ್ಧಾಂತಿಕವಾಗಿ ತನಿಖೆ ಮಾಡಲು ಹಿಂದಿನ ಹೆಚ್ಚಿನ ಪ್ರಯತ್ನಗಳು ನ್ಯೂರೋನಲ್ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್‌ಗೆ ಎರಡು ವಿಭಿನ್ನ ಸಮಯಮಾಪಕಗಳಿವೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ, ಅವುಗಳಲ್ಲಿ ಒಂದು ಸರಿಸುಮಾರು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ. ಹೀಗಾಗಿ, ನ್ಯೂರೋನಲ್ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ಸಮಾನಾಂತರವಾಗಿ ವಿಕಸನಗೊಂಡರೆ ಅಂತಹ ನೆಟ್‌ವರ್ಕ್ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬ ಪ್ರಶ್ನೆಯು ತೆರೆದಿರುತ್ತದೆ.

ತಮ್ಮ ಔಪಚಾರಿಕತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ, ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಅಬ್ಬೋಟ್ ಡೈನಾಮಿಕಲ್ ಮೀನ್-ಫೀಲ್ಡ್ ಸಿದ್ಧಾಂತಕ್ಕೆ ತಿರುಗಿದರು, ಈ ವಿಧಾನವನ್ನು ಮೂಲತಃ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ವ್ಯವಸ್ಥೆಗಳ ಅಧ್ಯಯನಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಅವರು ಸಿದ್ಧಾಂತವನ್ನು ವಿಸ್ತರಿಸಿದರು ಆದ್ದರಿಂದ ಇದು ನರಕೋಶದ ಡೈನಾಮಿಕ್ಸ್ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಒಳಗೊಂಡಿತ್ತು. ನಂತರ ಅವರು ಪ್ಲಾಸ್ಟಿಕ್ ನರಕೋಶದ ಜಾಲಗಳ ವಿವಿಧ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಗುಣಾತ್ಮಕವಾಗಿ ಪರಿಗಣಿಸುವ ಒಂದು ಸರಳ ಮಾದರಿಯನ್ನು ರೂಪಿಸಿದರು: ರೇಖಾತ್ಮಕವಲ್ಲದ ನರಕೋಶದ ಇನ್‌ಪುಟ್-ಟು-ಔಟ್‌ಪುಟ್ ವರ್ಗಾವಣೆ, ನರಕೋಶ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್‌ಗಾಗಿ ವಿಭಿನ್ನ ಸಮಯದ ಅಳತೆಗಳು ಮತ್ತು ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು ನಿಯಂತ್ರಿಸುವ ನಿಯಂತ್ರಣ ನಿಯತಾಂಕ. ಮಟ್ಟ ಮತ್ತು ಪ್ರಕಾರವನ್ನು ಟ್ಯೂನ್ ಮಾಡುತ್ತದೆ. . ಜಾಲಬಂಧ.

ಸಿನಾಪ್ಟಿಕ್ ಮತ್ತು ನರಕೋಶದ ಡೈನಾಮಿಕ್ಸ್ ಒಂದೇ ಕಾಲಮಾನದಲ್ಲಿ ವಿಕಸನಗೊಂಡಾಗ ನರಕೋಶದ ಜಾಲದ ಒಟ್ಟಾರೆ ನಡವಳಿಕೆಯನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ ಎಂದು ಸಂಶೋಧಕರು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. ವಾಸ್ತವವಾಗಿ, ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಅಬ್ಬೋಟ್ ಅವರು ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಸ್‌ಗಳ ಡೈನಾಮಿಕ್ಸ್‌ಗಳು ಒಟ್ಟಾರೆ ನೆಟ್‌ವರ್ಕ್‌ನ ಡೈನಾಮಿಕ್ಸ್‌ಗೆ ಎಷ್ಟು ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದನ್ನು ಟ್ಯೂನ್ ಮಾಡಬಹುದು ಎಂದು ತೋರಿಸುತ್ತಾರೆ. ಕುತೂಹಲಕಾರಿಯಾಗಿ, ಬಲವಾದ ಹೆಬ್ಬಿಯನ್ ಪ್ಲಾಸ್ಟಿಟಿಗಾಗಿ ವಿಶ್ಲೇಷಣೆ ತೋರಿಸುತ್ತದೆ (9) – ಸಂಪರ್ಕಿಸುವ ನ್ಯೂರಾನ್‌ಗಳು ಏಕಕಾಲದಲ್ಲಿ ಸಕ್ರಿಯಗೊಂಡಾಗ ಸಿನಾಪ್ಸ್‌ನ ಪರಿಣಾಮಕಾರಿತ್ವದ ಹೆಚ್ಚಳದಿಂದ ಪ್ರೇರಿತವಾದ ಒಂದು ರೀತಿಯ ಪ್ಲಾಸ್ಟಿಟಿ – ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ನೆಟ್ವರ್ಕ್ನ ಜಾಗತಿಕ ನಡವಳಿಕೆಯನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ, ಅದರ ಸಂಯೋಜನೆಯ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ.

ಚಿತ್ರ 2: ಚಿತ್ರದಲ್ಲಿನ ಎರಡು ಗ್ರಾಫ್‌ಗಳು ಎರಡು ವಿಭಿನ್ನ ಸಮಯದ ಬಿಂದುಗಳಲ್ಲಿ ನರಕೋಶದ ಚಟುವಟಿಕೆಯ ಎರಡು ಆಯಾಮದ ಪ್ರಕ್ಷೇಪಣಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಚುಕ್ಕೆಗಳು ಆಕರ್ಷಿಸುವ (ನೀಲಿ ಬಾಣಗಳಿಂದ ಸೂಚಿಸಲಾದ) ಚಟುವಟಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು ಆಫ್ ಮಾಡಿದಾಗ ನರಕೋಶದ ಸ್ಥಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ. ಕಾರ್ಟೂನ್‌ಗಳು ಸಂಬಂಧಿತ ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ನ್ಯೂರಾನ್‌ಗಳು (ಬ್ಲಾಬ್‌ಗಳು) ಮತ್ತು ಸಿನಾಪ್ಸಸ್ (ಅರ್ಧಗೋಳಗಳು; ಶಕ್ತಿ ಸೂಚಿಸುವ ಆಕಾರ) ಗಳನ್ನು ಚಿತ್ರಿಸುತ್ತದೆ.

ಮಾದರಿಯು ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿನ ಪ್ಲಾಸ್ಟಿಟಿಯ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸ್ವರೂಪವನ್ನು ಅಂತಹ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಪ್ರಮುಖ ಕ್ರಿಯಾತ್ಮಕ ಆಸ್ತಿಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡುತ್ತದೆ: ಅದು ಎಷ್ಟು ಅಸ್ತವ್ಯಸ್ತವಾಗಿದೆ. ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಸ್ವಯಂ-ಸ್ಥಿರವಾದ ಕ್ರಿಯಾತ್ಮಕ ಚಟುವಟಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ, ಅದು ಪ್ರಕ್ಷುಬ್ಧತೆಗಳಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ. ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಅಬಾಟ್ ಅವರು ಶಕ್ತಿಯನ್ನು ಅವಲಂಬಿಸಿ, ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್ ನರಕೋಶದ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ವೇಗಗೊಳಿಸಬಹುದು ಅಥವಾ ನಿಧಾನಗೊಳಿಸಬಹುದು ಮತ್ತು ಅವ್ಯವಸ್ಥೆಯನ್ನು ಉತ್ತೇಜಿಸಬಹುದು ಅಥವಾ ನಿಗ್ರಹಿಸಬಹುದು. ಸಂಶೋಧಕರು ನಿರ್ದಿಷ್ಟವಾಗಿ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಗುಣಾತ್ಮಕವಾಗಿ ಹೊಸ ನಡವಳಿಕೆಯನ್ನು ಗಮನಿಸುತ್ತಾರೆ, ಇದು ಸಿನಾಪ್ಸ್‌ಗಳು ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಹೊಂದಾಣಿಕೆಯ ನರಕೋಶದ ಚಟುವಟಿಕೆಯ ಮಾದರಿಗಳನ್ನು (ಸ್ಥಿರ ಅಂಕಗಳು) ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಉತ್ಪಾದಿಸಿದಾಗ ಉದ್ಭವಿಸುತ್ತದೆ. ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು ಆಫ್ ಮಾಡಿದಾಗ ಈ ಸ್ಥಿರ ಬಿಂದುಗಳು “ಫ್ರೀಜ್” ಆಗಬಹುದು, ಇದು ನರಕೋಶಗಳ ಸ್ಥಿತಿಯನ್ನು ಸ್ಥಿರವಾಗಿರಿಸುತ್ತದೆ (ಚಿತ್ರ). 2, ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು ಮತ್ತೆ ಆನ್ ಮಾಡಿದಾಗ ಮಾತ್ರ ರಾಜ್ಯಗಳು ಬದಲಾವಣೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಪುನರಾರಂಭಿಸುತ್ತವೆ. ಸಂಶೋಧಕರು ಈ ನಡವಳಿಕೆಯನ್ನು ಸ್ಥಿರ ಅವ್ಯವಸ್ಥೆ ಎಂದು ಕರೆಯುತ್ತಾರೆ. ನರಕೋಶಗಳ ಸ್ಥಿತಿಯನ್ನು ಘನೀಕರಿಸುವಲ್ಲಿ, ಫ್ರೀಜ್ ಮಾಡಬಹುದಾದ ಅವ್ಯವಸ್ಥೆಯು ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವ ಕಾರ್ಯವಿಧಾನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುವ ಮೆಮೊರಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೆನಪಿಸುತ್ತದೆ.

ಈ ಭವಿಷ್ಯವಾಣಿಯು, ಹಾಗೆಯೇ ಇತರ ಊಹಿಸಲಾದ ಕಾರ್ಯನಿರತ ಮೆಮೊರಿ ಕಾರ್ಯವಿಧಾನಗಳಿಂದ ಸ್ಥಿರ ಅವ್ಯವಸ್ಥೆಯನ್ನು ತೆಗೆದುಹಾಕುವ ಪ್ರಯೋಗಗಳ ಪ್ರಸ್ತಾಪವು ಹೊಸ ಅಧ್ಯಯನದ ಪ್ರಮುಖ ಪ್ರಗತಿಯಾಗಿದೆ ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ಇನ್ನೂ ಅನೇಕ ಉತ್ತೇಜಕ ಕೆಲಸಗಳಿಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ. ಸಂವೇದನಾ ಪ್ರಚೋದಕಗಳಿಂದ ಮೆದುಳು ಬಾಹ್ಯ ಇನ್ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅಂತಹ ಕೆಲಸದ ಒಂದು ಗುರಿಯಾಗಿದೆ. ಕ್ಲಾರ್ಕ್ ಮತ್ತು ಅಬಾಟ್ ಯಾವುದೇ ಬಾಹ್ಯ ಇನ್ಪುಟ್ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿ ತಮ್ಮ ನರಕೋಶದ ಜಾಲಗಳ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಪರಿಗಣಿಸುತ್ತಾರೆ. ಪ್ಲಾಸ್ಟಿಟಿಯೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ ಬಾಹ್ಯವಾಗಿ ಚಾಲಿತ ಅಸ್ಥಿರ ಡೈನಾಮಿಕ್ಸ್‌ಗೆ ಕಾರಣವಾಗುವಂತೆ ಮಾದರಿಯನ್ನು ವಿಸ್ತರಿಸುವುದರಿಂದ ಸಂಶೋಧಕರು ಈ ಪ್ರಮುಖ ಮೆದುಳಿನ ಕಾರ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನೆಟ್‌ವರ್ಕ್ ರಚನೆಗಳು ಮತ್ತು ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಊಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಇದಲ್ಲದೆ, ಈ ಅಮೂರ್ತ ನರಕೋಶದ ನೆಟ್‌ವರ್ಕ್‌ನಿಂದ ಒಳನೋಟಗಳನ್ನು ಹೆಚ್ಚು ವಾಸ್ತವಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ವರ್ಗಾಯಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ, ಇದು ಮೆದುಳಿನ ಜೈವಿಕವಾಗಿ ಸಂಬಂಧಿತ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ನರಕೋಶಗಳು ಪ್ರತ್ಯೇಕ ಸ್ಪೈಕ್‌ಗಳ ಮೂಲಕ ಸಂವಹನ ನಡೆಸುವ ವಿಧಾನ, ನಿರ್ದಿಷ್ಟವಾಗಿ ರಚನೆ. ತರಗತಿಗಳು. ಜೈವಿಕವಾಗಿ ವಾಸ್ತವಿಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ಕಡೆಗೆ ಚಲಿಸುವಿಕೆಯು ಹಿಂದಿನ ಮಾದರಿಗಳಿಗೆ ಯಶಸ್ವಿಯಾಗಿದೆ ಎಂದು ಸಾಬೀತಾಗಿದೆ ಮತ್ತು ಈ ಹೊಸ ಸಿದ್ಧಾಂತಕ್ಕಾಗಿ ನಾವು ಇದೇ ರೀತಿಯ ಯಶಸ್ಸನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು.

ಉಲ್ಲೇಖ

  1. DG ಕ್ಲಾರ್ಕ್ ಮತ್ತು LF ಅಬಾಟ್, “ಥಿಯರಿ ಆಫ್ ಕಪಲ್ಡ್ ನ್ಯೂರೋನಲ್-ಸಿನಾಪ್ಟಿಕ್ ಡೈನಾಮಿಕ್ಸ್,” ಭೌತಿಕ. ರೆವ್. X 14021001 (2024),
  2. ಆರ್. ಕೆಂಪ್ಟರ್ ಮತ್ತು ಇತರರು.“ಹೆಬ್ಬಿಯನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಾನ್‌ಗಳು,” ಭೌತಿಕ. ರೆವ್. ಇ 594498 (1999),
  3. H. ಸೋಂಪೊಲಿನ್ಸ್ಕಿ ಮತ್ತು ಇತರರು.“ರಾಂಡಮ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿ ಅವ್ಯವಸ್ಥೆ,” ಭೌತಿಕ. ರೆವ್. ತಡವಾಗಿ. 61259 (1988),
  4. C. ಕೀಪ್ ಮತ್ತು ಇತರರು.“ಮರುಕಳಿಸುವ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಂದ ತಾತ್ಕಾಲಿಕ ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವ ಆಯಾಮದ ವಿಸ್ತರಣೆ,” ಭೌತಿಕ. ರೆವ್. X 11021064 (2021),
  5. T. ಟೊಯೊಜುಮಿ ಮತ್ತು L.F. ಅಬಾಟ್, “ಬಿಯಾಂಡ್ ದಿ ಎಡ್ಜ್ ಆಫ್ ಅವ್ಯವಸ್ಥೆ: ಅರಾಜಕೀಯ ಆಡಳಿತಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿತ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಂದ ವರ್ಧನೆ ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಏಕೀಕರಣ,” ಭೌತಿಕ. ರೆವ್. ಇ 84051908 (2011),
  6. ಜೇ ಪಿಗ್ ಮತ್ತು ಇತರರು.“ಚಾಲಿತ ರಾಂಡಮ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಲ್ಲಿ ಆಪ್ಟಿಮಲ್ ಸೀಕ್ವೆನ್ಸ್ ಮೆಮೊರಿ,” ಭೌತಿಕ. ರೆವ್. X 8041029 (2018),
  7. SS ಸ್ಕೋನ್ಹೋಲ್ಜ್ ಮತ್ತು ಇತರರು.“ಡೀಪ್ ಇನ್ಫಾರ್ಮೇಶನ್ ಪ್ರೊಪಗೇಶನ್,” 5 ನೇ ಇಂಟರ್ನ್ಯಾಷನಲ್ ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಲರ್ನಿಂಗ್ ರೆಪ್ರೆಸೆಂಟೇಶನ್ಸ್, ICLR 2017. arXiv:1611.01232,
  8. ಎಫ್ ಶೂಸ್ಲರ್ ಮತ್ತು ಇತರರು.“RNN ಗಳಲ್ಲಿ ಕಲಿಕೆಯ ಸಮಯದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕತೆ ಮತ್ತು ರಚನೆಯ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆ,” in ನ್ಯೂರಲ್ ಇನ್ಫರ್ಮೇಷನ್ ಪ್ರೊಸೆಸಿಂಗ್ ಸಿಸ್ಟಮ್ಸ್‌ನಲ್ಲಿನ ಪ್ರಗತಿHH ಲಾರೊಚೆಲ್ ಅವರಿಂದ ಸಂಪಾದಿಸಲಾಗಿದೆ ಮತ್ತು ಇತರರು. (ಕುರಾನ್ ಅಸೋಸಿಯೇಟ್ಸ್, ನ್ಯೂಯಾರ್ಕ್, 2020), ಸಂಪುಟ. 33,
  9. DO ಹೆಬ್ಬ್, “ಆರ್ಗನೈಸೇಶನ್ ಆಫ್ ಬಿಹೇವಿಯರ್,” (ವೈಲಿ & ಸನ್ಸ್, ನ್ಯೂಯಾರ್ಕ್, 1949).
  10. ಜೆ.ಸಿ. ಮ್ಯಾಗೀ ಮತ್ತು ಸಿ. ಗ್ರೀನ್‌ಬರ್ಗರ್, “ಸಿನಾಪ್ಟಿಕ್ ಪ್ಲಾಸ್ಟಿಸಿಟಿ ಫಾರ್ಮ್ ಮತ್ತು ಫಂಕ್ಷನ್,” ಅಣ್ಣು. ರೆವ್. ನರವಿಜ್ಞಾನ. 4395 (2020),

ಲೇಖಕರ ಬಗ್ಗೆ

ಡೇವಿಡ್ ಡಹ್ಮೆನ್ ಅವರ ಚಿತ್ರ

ಡೇವಿಡ್ ಡಹ್ಮೆನ್ ಜರ್ಮನಿಯ ಜೂಲಿಚ್ ಸಂಶೋಧನಾ ಕೇಂದ್ರದಲ್ಲಿ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ಅಡ್ವಾನ್ಸ್ಡ್ ಸಿಮ್ಯುಲೇಶನ್‌ನಲ್ಲಿ ಸಂಶೋಧಕರಾಗಿದ್ದಾರೆ. ಅವರು 2017 ರಲ್ಲಿ ಜರ್ಮನಿಯ RWTH ಆಚೆನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಿಂದ ತಮ್ಮ ಪಿಎಚ್‌ಡಿ ಪಡೆದರು. ಅವರ ಸಂಶೋಧನಾ ಆಸಕ್ತಿಗಳು ಜೈವಿಕ ಮತ್ತು ಕೃತಕ ಜಾಲಗಳ ನರಗಳ ಮಾಹಿತಿ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಈ ಡೊಮೇನ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು ಕ್ಷೇತ್ರ ಸಿದ್ಧಾಂತದ ವಿಧಾನಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಒಳಗೊಂಡಿವೆ. ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಿಂದ, ನ್ಯೂರಾನ್‌ಗಳ ಸಾಮೂಹಿಕ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಮತ್ತು ಕಾರ್ಟಿಕಲ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ ನರಗಳ ಸಮನ್ವಯದ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಗಮನಿಸಿದ ಮಾದರಿಗಳನ್ನು ವಿವರಿಸುವಲ್ಲಿ ನರಗಳ ಜಾಲಗಳಲ್ಲಿ ವೈವಿಧ್ಯತೆಯ ಪಾತ್ರದ ಮೇಲೆ ಡಹ್ಮೆನ್ ಗಮನಹರಿಸಿದ್ದಾರೆ.


ವಿಷಯ ಕ್ಷೇತ್ರ

ಸಂಬಂಧಿತ ಲೇಖನಗಳು

ಸ್ವಯಂ ಚಾಲಿತ ಆಣ್ವಿಕ ಲಾನ್ ಮೊವರ್
ವೈರಸ್ ತನ್ನ ರಕ್ಷಣಾತ್ಮಕ ಕವಚವನ್ನು ಹೇಗೆ ಪಡೆಯುತ್ತದೆ?
ಪ್ರೋಟೀನ್ಗಳನ್ನು ಹೇಗೆ ಹೋಲಿಸುವುದು
ಜೈವಿಕ ಭೌತಶಾಸ್ತ್ರ

ಪ್ರೋಟೀನ್ಗಳನ್ನು ಹೇಗೆ ಹೋಲಿಸುವುದು

ಅಣುವಿನೊಳಗಿನ ಚಲನೆಗಳು ಒಂದೇ ರೀತಿಯ ಪ್ರೋಟೀನ್‌ಗಳ ರಚನೆಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಹೋಲಿಸಲು ಹೊಸ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಮತ್ತಷ್ಟು ಓದು “

ಹೆಚ್ಚಿನ ಲೇಖನಗಳು