Νευρωνικά Δίκτυα και Τεχνητοί Εγκέφαλοι

Ο πραγματικός εγκέφαλος μοιάζει με πολτό. Οι νευρώνες, τα αιμοφόρα
αγγεία και οι γεμάτες με υγρό κοιλίες, είναι φτιαγμένα από λιπιδικές
μεμβράνες και πρωτεΐνες σε...

μεγάλες ποσότητες νερού. Μπορείτε να βάλετε
το δάχτυλό σας μέσα στον εγκέφαλο, να τον κόψετε με
μικροτόμο, να τοποθετήσετε ηλεκτρόδια στους νευρώνες του και να δείτε το
αίμα να σφύζει μέσα του.

Η μελέτη του εγκεφάλου φαίνεται να είναι
σταθερά συνδεδεμένη με τη Βιολογική και Ιατρική έρευνα ωστόσο, υπάρχει
και ένας άλλος τρόπος προσέγγισης, που έχει προσελκύσει την προσοχή των
μαθηματικών, των φυσικών, των μηχανολόγων και των επιστημόνων της
πληροφορικής. Εξετάζουν τον εγκέφαλο γράφοντας εξισώσεις,
κατασκευάζοντας υπολογιστικά μοντέλα ή και αυτόματες συσκευές που
μιμούνται τους πραγματικούς νευρώνες μέσα στο κεφάλι μας.



Οι
πραγματικοί εγκέφαλοι είναι πολύ ευπροσάρμοστοι. Μπορούν να κάνουν
διάφορα πράγματα, όπως να καταλάβουν τη γλώσσα εντελώς άγνωστων
ανθρώπων. Μπορούν να αντέξουν καταστάσεις που πάνε στραβά, μπορούν να
λειτουργούν σχετικά καλά για μια ζωή, παρότι μερικά κύτταρα πεθαίνουν.
Ακόμα δε και σε μεγάλη ηλικία, μπορούν να μάθουν καινούρια τεχνάσματα.
Τα σύγχρονα ρομπότ είναι πολύ ικανά στο να εκτελούν τις περιορισμένες
εργασίες για τις οποίες έχουν σχεδιαστεί, όπως το να κατασκευάσουν μέρος
ενός αυτοκινήτου, αλλά είναι πολύ λιγότερο ανθεκτικά όταν κάτι πάει
λάθος.



Όλοι
οι πραγματικοί εγκέφαλοι αποτελούνται από νευρωνικά δίκτυα υψηλής
διασυνδετικότητας. Οι νευρώνες τους χρειάζονται ενέργεια και τα δίκτυα
χρειάζονται χώρο. Ο εγκέφαλός μας περιέχει κατά προσέγγιση 100
δισεκατομμύρια νευρικών κυττάρων, 3.2 εκατομμύρια χιλιόμετρα «καλωδίων»,
ένα εκατομμύριο δισεκατομμύρια συνδέσεις, όλα στοιβαγμένα μέσα σε ένα
όγκο 1.5 λίτρων, που ζυγίζει μόνο 1.5 kg και καταναλώνει μόλις 10 βατ.
Αν προσπαθούσαμε να κατασκευάσουμε ένα τέτοιο εγκέφαλο με τσιπάκια
πυριτίου, θα κατανάλωνε περίπου 10 μεγαβάτ, δηλ. ηλεκτρική ενέργεια
αρκετή για μία πόλη. Και για να γίνουν ακόμη χειρότερα τα πράγματα, η
θερμότητα που θα παρήγαγε ένας τέτοιος εγκέφαλος από πυρίτιο θα τον
έλειωνε ! Η πρόκληση είναι να ανακαλύψουμε πώς ο εγκέφαλος λειτουργεί
τόσο αποτελεσματικά και οικονομικά και να χρησιμοποιήσουμε ανάλογες
αρχές για να κατασκευάσουμε μηχανές σαν τον εγκέφαλο.

Ο εγκέφαλός σας
είναι 100,000,000,000 κύτταρα και 3,200,000 χιλιόμετρα καλωδίων, με
1,000,000,000,000,000 συναπτικές συνδέσεις, όλα μαζί στοιβαγμένα σε 1.5
λίτρα και με βάρος 1.5 kg. Ωστόσο, καταναλώνει περίπου την ίδια ποσότητα
ηλεκτρικής ενέργειας όσο ένα φωτάκι που ανάβει το βράδυ!



Κατασκευάζοντας εγκεφαλικά δίκτυα με πυρίτιο

Το
ενεργειακό κόστος της μετάδοσης σήματος – από τον ένα νευρώνα στον άλλο
– έχει πιθανώς διαδραματίσει σημαντικό ρόλο στην εξέλιξη του εγκεφάλου.
Περίπου το 50-80% της συνολικής κατανάλωσης ενέργειας του εγκεφάλου
δαπανάται στη μετάδοση δυναμικών ενέργειας στις νευρικές ίνες και στη
συναπτική διαβίβαση. Το υπόλοιπο χρειάζεται για την παραγωγική
διαδικασία και τη συντήρηση. Αυτό ισχύει από τον εγκέφαλο της μέλισσας
μέχρι το δικό μας. Ωστόσο, σε σχέση με την ταχύτητα των ηλεκτρονικών
υπολογιστών, η ταχύτητα των νευρικών ώσεων είναι πολύ αργή – μόνο λίγα
μέτρα το δευτερόλεπτο. Σε ένα σειριακό επεξεργαστή όπως ο ψηφιακός
υπολογιστής, αυτό θα έκανε αδύνατη την επιβίωση. Οι βιολογικοί
εγκέφαλοι, ωστόσο, είναι κατασκευασμένοι σε μεγάλο βαθμό ως παράλληλα
δίκτυα. Οι περισσότεροι νευρώνες συνδέονται άμεσα με πολλές χιλιάδες
άλλους. Για να το επιτύχει αυτό, ο εγκέφαλος εκμεταλλεύεται τον
τρισδιάστατο όγκο του για να χωρέσει τα πάντα – διπλώνοντας τα στρώματα
των νευρώνων σε πτυχές και υφαίνοντας τις συνδέσεις πολύ κοντά σε
δεσμίδες. Αντίθετα, η δημιουργία συνδέσεων ακόμα και ανάμεσα σε μικρό
αριθμό νευρώνων πυριτίου περιορίζεται από τη δισδιάστατη φύση των τσιπς
και των κυκλωμάτων. Έτσι, σε αντίθεση με τον εγκέφαλο, η άμεση
επικοινωνία ανάμεσα στους νευρώνες πυριτίου, είναι σοβαρά περιορισμένη.
Ωστόσο, αν εκμεταλλευθούμε την πολύ υψηλή ταχύτητα της συμβατικής
ηλεκτρονικής, οι ώσεις πολλών νευρώνων πυριτίου μπορούν να
«πολυπλεχθούν» - μία διεργασία μεταφοράς πολλών διαφορετικών μηνυμάτων
από το ίδιο καλώδιο. Με τον τρόπο αυτό, οι μηχανικοί Η/Υ μπορούν να
αρχίσουν να συναγωνίζονται τη συνδεσμολογία των βιολογικών δικτύων.



Για
να μειωθεί η ενέργεια αλλά να αυξηθεί η ταχύτητα, μηχανολόγοι, που
εμπνεύστηκαν από τους νευρώνες, υιοθέτησαν τη βιολογική στρατηγική της
χρήσης αναλογικής και όχι ψηφιακής κωδικοποίησης. Ο Carver Mead, ένας
από τους «γκουρού» στον τομέα των τεχνητών νευρωνικών δικτύων στην
Silicon Valley της Καλιφόρνια, επινόησε τον όρο «νευρομορφική μηχανική»
για να περιγράψει τη μετάφραση της νευροβιολογίας σε τεχνολογία. Αντί
της ψηφιακής κωδικοποίησης σε μηδενικά και άσσους, τα αναλογικά
κυκλώματα κωδικοποιούν σε συνεχείς μεταβολές τάσεων, όπως οι νευρώνες
στην ανερέθιστη κατάστασή τους (Κεφάλαιο 3). Οι υπολογισμοί είναι
δυνατόν έπειτα να γίνουν σε λιγότερα βήματα, επειδή εκμεταλλευόμαστε τη
βασική φυσική των συσκευών πυριτίου. Η αναλογική μέθοδος μας παρέχει
εύκολα τις βάσεις ενός λογισμού: πρόσθεση, αφαίρεση, εκθετικές εξισώσεις
και ολοκληρώματα, πράξεις περίπλοκες σε ψηφιακές μηχανές. Όταν οι
νευρώνες – είτε βιολογικοί είτε από πυρίτιο – υπολογίζουν και «παίρνουν»
αποφάσεις, μεταδίδουν ώσεις κατά μήκος του άξονά τους για να μεταδώσουν
την απάντηση στους νευρώνες-στόχους. Επειδή η κωδικοποίηση κοστίζει σε
ενέργεια, η επαρκής κωδικοποίηση αυξάνει στο μέγιστο την ποσότητα της
πληροφορίας που αναπαριστάται σε κάθε μονάδα μειώνοντας αυτό που
ονομάζεται πλεονασμός. Η ενεργειακή επάρκεια επίσης αυξάνεται
χρησιμοποιώντας όσο γίνεται πιο μικρό αριθμό τεχνητών νευρώνων εν
ενεργεία. Αυτή η διαδικασία ονομάζεται ανεπαρκής κωδικοποίηση και
αποτελεί άλλη μία σημαντική αρχή σχεδιασμού για τους μηχανολόγους που
κατασκευάζουν τεχνητά νευρωνικά δίκτυα.

Αμφιβληστροειδής από πυρίτιο

Ένα
απλό τεχνητό παράδειγμα βιολογικού δικτύου, είναι αυτό το οποίο
αποτελείται από ένα αμφιβληστροειδή από πυρίτιο, ο οποίος μπορεί να
δεσμεύει το φως και να προσαρμόζει αυτόματα την ισχύ του σε όλες τις
αλλαγές του φωτισμού. Ο τεχνητός αμφιβληστροειδής συνδέεται με δύο
νευρώνες από πυρίτιο οι οποίοι, όπως οι πραγματικοί νευρώνες στον οπτικό
φλοιό, εξάγουν πληροφορίες σχετικά με τις γωνίες των γραμμών και
συγκρίνουν όρια στην εικόνα του αμφιβληστροειδή.

Οι νευρώνες σε αυτό
το αρχέτυπο ονομάζονται νευρώνες ολοκλήρωσης και πυροδότησης και οι
νευρομορφικοί μηχανολόγοι τους χρησιμοποιούν πολύ. Ονομάζονται έτσι
διότι «αθροίζουν» τα εισερχόμενα δεδομένα, τα οποία κωδικοποιούνται ως
τάση που φτάνει στις συνάψεις τους, και «πυροδοτούν» ένα δυναμικό
ενέργειας, αν η τάση φτάσει σε ένα συγκεκριμένο ουδό. Οι νευρώνες
πυριτίου είναι φτιαγμένοι από λυχνίες, αλλά αντί να χρησιμοποιούν τις
λυχνίες ως διακόπτες και να οδηγούν την τάση σε κορεσμό όπως στα
συμβατικά ψηφιακά συστήματα, οι λυχνίες λειτουργούν σε ένα εύρος
μικρότερο από τον ουδό τους. Σε αυτό το εύρος, λειτουργούν περισσότερο
όπως οι κυτταρικές μεμβράνες των πραγματικών νευρώνων. Πρόσθετες λυχνίες
εφοδιάζουν ενεργό αγωγιμότητα για να μιμηθούν τη ροή του ρεύματος
πραγματικών ιοντικών καναλιών που εξαρτώνται από την τάση – και το
χρόνο. Αυτό το μικρό οπτικό σύστημα είναι ένα αρχέτυπο καθώς πολύ πιο
πολύπλοκα οπτικά συστήματα βρίσκονται υπό ανάπτυξη, αλλά ακόμη και αυτό
μας δείχνει πως στην πραγματικότητα, μία πολύ θορυβώδης εισροή
πληροφορίας μπορεί να υποστεί γρήγορη επεξεργασία, ώστε να παραχθεί μία
απλή απόφαση. Μπορεί να κάνει αυτό που είναι σχεδιασμένο να κάνει – να
διακρίνει τον προσανατολισμό μίας γραμμής σε μια σκηνή – και οι
νευροεπιστήμονες ήδη χρησιμοποιούν αυτό το απλό οπτικό σύστημα από
πυρίτιο για να δοκιμάσουν τον εξοπλισμό και να εκπαιδεύσουν μαθητές. Το
πιο σημαντικό χαρακτηριστικό των τεχνητών δικτύων είναι ότι λειτουργούν
σε πραγματικό κόσμο, σε πραγματικό χρόνο και χρησιμοποιούν πολύ λίγη
ενέργεια.



Ένας φακός φωτογραφικής μηχανής τοποθετείται μπροστά στον αμφιβληστροειδή από πυρίτιο.

Τεχνητά Νευρωνικά Δίκτυα

Τα
τεχνητά νευρωνικά δίκτυα (ΤΝΔ) χρησιμοποιούνται συχνά για τη μελέτη της
μάθησης και της μνήμης. Συνήθως λειτουργούν με ένα πρόγραμμα σε ένα
αναλογικό ψηφιακό υπολογιστή και αποτελούνται από έναν αριθμό απλών
μονάδων επεξεργασίας που συνδέονται σε μεγάλο βαθμό σχηματίζοντας ένα
δίκτυο. Η πιο απλή μορφή ΤΝΔ είναι έναςεμπροσθοτροφοδοτούμενος
σύνδεσμος, που φέρει αλληλοσυνδεδεμένες στιβάδες μονάδων εισόδου και
εξόδου. Μία συνειρμική μνήμη κωδικογραφείται τροποποιώντας την ισχύ των
συνδέσεων ανάμεσα στις στιβάδες έτσι ώστε, όταν παρουσιάζεται ένα είδος
εισερχόμενης πληροφορίας, να ανακαλείται ένα αποθηκευμένο μοτίβο το
οποίο έχει συσχετιστεί με το συγκεκριμένο είδος πληροφορίας (Βλ. Εικόνα
Μαθηματικών Γρίφων στην επόμενη σελίδα). Ένα πιο πολύπλοκο ΤΝΔ είναι ένα
επαναλαμβανόμενο νευρωνικό Δίκτυο. Αποτελείται από μία και μόνο στιβάδα
όπου όλες οι μονάδες συνδέονται μεταξύ τους και κάθε μία λειτουργεί και
ως είσοδος και ως έξοδος πληροφορίας. Ακούγεται λίγο περίεργο, αλλά
αυτός ο σχεδιασμός επιτρέπει στο δίκτυο να αποθηκεύει μοτίβα και όχι
ζευγάρια αντικειμένων. Η αποκωδικοποίηση αυτού του
είδουςαυτοσυσχετιζόμενου δικτύουεπιτυγχάνεται με μία περιοδική αναζήτηση
ενός αποθηκευμένου μοτίβου. Έχει αποδειχθεί ότι για ένα δίκτυο 1000
μονάδων, μπορούν να ανακληθούν περίπου 150 μοτίβα πριν γίνουν πολύ
μεγάλα λάθη στην ανάκληση.

Η ομοιότητα των ΤΝΔ με τον εγκέφαλο
βρίσκεται στον τρόπο με τον οποίο αποθηκεύουν και επεξεργάζονται την
πληροφορία. Η «γνώση» που επεξεργάζονται βρίσκεται στο ίδιο το δίκτυο.
Δεν έχουν ξεχωριστή τοποθεσία για τη μνήμη όπως ο ψηφιακός υπολογιστής,
στον οποίο ο αριθμητικός επεξεργαστής και η μνήμη είναι χωριστά.
Αντίθετα, έχουνμνήμη με διευθυνσιοδότηση προς το περιεχόμενο. Σε ένα
ΤΝΔ, η πληροφορία αποθηκεύεται ανάλογα με τo εύρος των συνδέσεων, όπως
συμβαίνει και στις συνάψεις που αλλάζει η ισχύς τους κατά τη μάθηση. Τα
ΤΝΔ δεν είναι προγραμματισμένα να εκτελούν μία δεδομένη διεργασία. Κάθε
«νευρώνας» στο εσωτερικό του είναι «σιωπηλός» και απλά απαντά σύμφωνα με
το άθροισμα της πληροφορίας που δέχεται. Ωστόσο, μπορούν να
εκπαιδευτούν για να κάνουν έξυπνα πράγματα. Οι κανόνες της μάθησης που
εκπαιδεύουν τα δίκτυα το επιτυγχάνουν αυτό τροποποιώντας την ισχύ των
συνδέσεων ανάμεσα στους νευρώνες, και ένας κοινός κανόνας είναι η λήψη
της πληροφορίας που μεταδίδεται από ένα δίκτυο ως απάντηση σε ένα
ερέθισμα και η σύγκρισή του με το επιθυμητό ερέθισμα. Κάθε «λάθος» στη
σύγκριση χρησιμοποιείται για να προσαρμοστεί το εύρος των συνδέσεων ώστε
να επιτευχθεί ένα αποτέλεσμα όσο γίνεται πιο κοντά στο επιθυμητό. Το
δίκτυο σταδιακά μειώνει τα λάθη στο ελάχιστο. Αυτή η διαδικασία είναι
αποτελεσματική, αλλά αργή.

Τα λάθη αποδεικνύονται σημαντικά – δε
μπορεί να υπάρξει μάθηση αν το δίκτυο δεν κάνει λάθη. Αυτό είναι ένα
γνώρισμα της μάθησης που μπορεί να παραληφθεί. Πολύ καλά εκπαιδευμένα
δίκτυα που δεν έκαναν λάθη κατέληξαν να αποκρίνονται μόνο σε ένα είδος
ερεθίσματος. Αυτά τα δίκτυα καλούνται μεταφορικά δίκτυα της γιαγιάς –
από τον μύθο για τα «κύτταρα της γιαγιάς» στον ανθρώπινο εγκέφαλο τα
οποία απαντούν μόνο όταν κάποιος βλέπει τη γιαγιά του και δεν πρέπει
ποτέ να κάνουν λάθος! Αυτό δεν είναι πολύ χρήσιμο στην πραγματική ζωή
καθώς θα χρειαζόταν ένα ξεχωριστό δίκτυο για ό,τι θα ήταν απαραίτητο να
μάθουμε. Αντίθετα, το εξαιρετικό γνώρισμα των ΤΝΔ βρίσκεται στην
ικανότητά τους ναγενικεύουν απαντώντας σε ερεθίσματα που δεν εκτέθηκαν
ποτέ κατά την εκπαίδευσή τους. Βλέπουν σχέσεις, κάνουν συσχετίσεις και
ανακαλύπτουν κανονικότητες στα μοτίβα. Ανέχονται δε τα λάθη, ακριβώς
όπως ο πραγματικός εγκέφαλος. Μπορούν να ανακαλέσουν μία αποθηκευμένη
πληροφορία ακόμη και όταν το εισερχόμενο ερέθισμα δεν είναι ξεκάθαρο ή
πλήρες. Αυτές είναι πολύ σημαντικές ιδιότητες των βιολογικών εγκεφάλων
και τα ΤΝΔ μπορούν επίσης να τα επιτύχουν.

Το παράδοξο της σύγχρονης υπολογιστικής τεχνολογίας

Το
παράδοξο με τα σημερινά ΤΝΔ είναι ότι προσομοιώνονται μαθηματικά σε
ψηφιακούς υπολογιστές. Αυτό περιορίζει πολύ τη χρήση τους στην
πραγματική ζωή, επειδή η προσομοίωση είναι χρονοβόρα και έτσι τα ΤΝΔ δε
μπορούν να λειτουργήσουν σε πραγματικό χρόνο. Τα ΤΝΔ μπορεί να φαίνονται
κατάλληλα για την οδήγηση αυτοκινήτου ή αεροπλάνου, επειδή είναι
ανθεκτικά στην περιττή πληροφορία και συνεχίζουν να δουλεύουν όταν
κάποιες μονάδες του δικτύου παύουν να λειτουργούν. Ωστόσο, τα
εξειδικευμένα συστήματα που γενικά χρησιμοποιούνται στους αυτόματους
πιλότους είναι ψηφιακοί υπολογιστές προγραμματισμένοι με συμβατικά
ντετερμινιστικά προγράμματα, και για ασφάλεια πάντα απαιτείται η ύπαρξη
εφεδρικού. Αν ποτέ συμβεί κάτι πολύ άσχημο με το αεροσκάφος, αυτά τα
εξειδικευμένα συστήματα δε μπορούν να ανταποκριθούν. Ο άνθρωπος-πιλότος
πρέπει να αναλάβει. Οι σημερινοί εκπαιδευτικοί αλγόριθμοι για τα ΤΝΔ
είναι πολύ αργοί για τέτοιες έκτακτες καταστάσεις. Αν οι νευρώνες από
πυρίτιο μπορούσαν να μάθουν, πράγμα που μέχρι στιγμής δεν έχει γίνει,
τότε πολλά από αυτά τα προβλήματα θα αντιμετωπίζονταν. Καθώς μαθαίνουμε
περισσότερα σχετικά με τον τρόπο λειτουργίας του εγκεφάλου, θα
μπορέσουμε να κατασκευάσουμε πιο πολύπλοκα νευρωνικά δίκτυα με
δυνατότητες όπως και του πραγματικού εγκεφάλου.



Το
NOMAD είναι ένας ανήσυχος αλλά ωστόσο σκεπτόμενος πρόγονος των
μελλοντικών μηχανών με ικανότητα σκέψης. Έχει ύψος περίπου 60 cm και
κυλινδρικό κορμό, έχει «μάτια», «αυτιά», «χέρια» σα λαβίδες και άλλους
αισθητήρες που το βοηθούν να προσανατολιστεί. Αυτό που κάνει το NOMAD
διαφορετικό από τα περισσότερα ρομπότ είναι ότι λειτουργεί χωρίς
κωδικοποιημένες οδηγίες ή κανόνες. Αντίθετα, έχει ένα εγκέφαλο που
μοιάζει με υπολογιστή με 10,000 τεχνητά εγκεφαλικά κύτταρα και πάνω από
ένα εκατομμύριο συνδέσεις ανάμεσά τους για να αντιληφθεί και να
αντιδράσει στο περιβάλλον του. Μπορεί να χειριστεί νέες καταστάσεις και
να μάθει από τα λάθη του, καθώς τριγυρνά σε ένα χώρο με διασκορπισμένους
μικρούς κύβους που φέρουν διάφορες ζωγραφιές. Κάποιοι από τους κύβους
έχουν ραβδώσεις και επιτρέπουν να περάσει ηλεκτρισμός, γεγονός που τους
κάνει «νόστιμους». Άλλοι κύβοι έχουν κουκκίδες και δεν επιτρέπουν να
περάσει πολύ ρεύμα, γεγονός που τους κάνει λιγότερο νόστιμους.
Κοιτάζοντας τους κύβους και «δοκιμάζοντάς» τους με ηλεκτρικούς
αισθητήρες στις λαβίδες του, το NOMAD μαθαίνει να προσπερνά τους κύβους
με τις κουκκίδες και να αναζητά τους νόστιμους με τις ραβδώσεις.

Μαθηματικοί Γρίφοι

Μνήμη με Διευθυνσιοδότηση προς το Περιεχόμενο

Φανταστείτε
μία σειρά καλώδια τοποθετημένα οριζόντια, τα οποία διασταυρώνονται με 4
άλλα τοποθετημένα κάθετα, με «διακόπτες» στα σημεία επαφής τους (τμήμα
A). Αυτό το πλέγμα θα είναι η μνήμη. Η πληροφορία του παρουσιάζεται υπό
μορφή δυαδικών αριθμών, π.χ. 0011 και 1010 και ρυθμίζουμε τους διακόπτες
να ανοίγουν όποτε ένα 1 συναντά ένα άλλο 1 (B με μπλε χρώμα). Οι
διακόπτες αποθηκεύουν τα ζεύγη αυτών των δύο αριθμών. Το πλέγμα μπορεί
επίσης να αποθηκεύσει άλλους αριθμούς πάνω από το πρώτο ζεύγος, π.χ.
1010 και 0110. Το τελευταίο στάδιο του πλέγματος θα πρέπει να έχει 7
ανοιχτούς διακόπτες όπως φαίνεται στο Γ. Αν τώρα παρουσιάσετε τον πρώτο
αριθμό ξανά - 0011 – στο τελευταίο στάδιο του πλέγματος και ρυθμίσετε το
ρεύμα να μεταδοθεί στα κάθετα σύρματα όποτε ανοίγει ένας διακόπτης (Δ),
θα καταλήξετε με το ρεύμα να εξέρχεται από τα κάθετα σύρματα κάτω από
τον αριθμό 2120. Αυτός δεν είναι ο πρώτος αριθμός με τον οποίο
συνταιριάστηκε το 0011. Αλλά, αν διαιρέσετε το 2120 διά του συνολικού
αριθμού των 1 στον αριθμό που χρησιμοποιήθηκε σα στοιχείο υπενθύμισης
(0+0+1+1= 2) κάνοντας διαίρεση ακεραίων , θα καταλήξετε με το 1010.
Επομένως, το πλέγμα «θυμόταν» ότι το 0011 πηγαίνει με το 1010, αν και
ένα άλλο μήνυμα αποθηκεύτηκε πάνω από το πρώτο. Μπορείτε να βεβαιωθείτε
ότι έτσι έχουν τα πράγματα και με το δεύτερο ζεύγος αριθμών.



Αυτό
είναι το είδος της μνήμης που χρησιμοποιεί ένα PC. Η πληροφορία
διανέμεται μέσα στο δίκτυο, αποθηκεύεται υπό μορφή αλλαγών στο συναπτικό
εύρος και έτσι μπορεί να ανακληθεί με αναφορά στο περιεχόμενό της. Ένα
πρόβλημα είναι ότι αυτό το είδος μνήμης γεμίζει πολύ γρήγορα, κυρίως
όταν υπάρχουν μόνο 4 καλώδια. Ωστόσο, με 1000 ζεύγη καλωδίων, ένα πλέγμα
θα μπορούσε να αποθηκεύσει πολλά ζεύγη μηνυμάτων που συμπίπτουν χωρίς
πολλές παρεμβολές.

Σχετικές Ιστοσελίδες:www.artificialbrains.comhttp://www.ini.unizh.ch/

International Brain Research Organisation (IBRO)

British Neuroscience Association (BNA)

Ελληνική μετάφραση:

Ζέτα Παπαδοπούλου-Νταϊαφώτη, Αναπληρώτρια Καθηγήτρια Φαρμακολογίας

και Διευθύντρια του Εργαστηρίου Φαρμακολογίας της Ιατρικής Σχολής του Παν/μιου Αθηνών

Δρ Στέλλα Γ. Γιακουμάκη, Ψυχολόγος, Μεταδιδακτορική Ερευνήτρια του Τμήματος Ιατρικής του Παν/μίου Κρήτης

Γεώργιος Κωστόπουλος, Πρόεδρος της Ελληνικής Εταιρείας Νευροεπιστημών





Πηγή: panacea.med.uoa.gr