Четыре требования

Для реализации задачи по полному воссозданию мозга должны быть выполнены четыре основные требования (Рис. 2).

1. Проверка гипотез о подходящем разрешении и масштабе данных.

2. Получение структурированной информации о явлении, получившем название «коннект о м головного мозга» (коннектом – подробная карта нервных связей головного мозга. – Прим. пер.).

3. Получение функциональных характеристик компонентов, связанных между собой внутри коннектома.

4. Разработка подходящей платформы для воссоздания и моделирования функций сознания.

Первое требование выполнено – разрешение модели выбрано. На данном уровне и уровнем ниже критически важной является функциональная характеристика элементов – они должны быть достаточно простыми, чтобы мы могли фиксировать их динамику. На более высоких уровнях важны структурные характеристики – они позволят выявить взаимодействия, инициируемые самим коннектомом и вызывающие системный эффект.

Рис. 2. Полное воссоздание мозга: четыре требования.

На голубом фоне, шесть категорий проектов, каждый из которых удовлетворяет требованиям (слева направо): «объемная микроскопия», «помеченные взаимовлияющие связи», «демультиплексное древо», «молекулярная телеграфная лента», «пробы, взятые микро-нейроинтерфейсом», «нейроморфные чипы». На желтом фоне (слева направо): «выбор разрешения и масштаба», «структурный коннектом», «функциональный коннектом», «платформа для воссоздания». На синем фоне (слева направо): «полное воссоздание мозга», «нейрокомпьютерный интерфейс», «выгрузка слабосвязанных элементов». Верхняя надпись на зеленом фоне: «субстрат-независимый разум».

Теоретически одновременная функциональная регистрация многих нейронов позволит вывести карту связей между ними без необходимости выявления их структурных особенностей в высоком разрешении. На практике в работе со сложными системами это представляется трудновыполнимым по причине огромного количества входных данных каждого нейрона. Этот метод предполагал бы отношение к связям между нейронами как к элементам «черного ящика», который представляет из себя значительно более сложный элемент. Полная характеризация переходных функций этих «черных ящиков» требует длительного периода наблюдений и подвержена искажениям при анализе чувствительности. При этом скрытые функции могут остаться незамеченными.

По аналогии можно было бы сузить число различных видов измерений до одной только морфологической трехмерной реконструкции. Гипотетически, морфологические характеристики нейронов позволяют распределить их по функциональным категориям и оценить значения их параметров внутри этих категорий. Но на самом деле ключевую роль при таком подходе начинает играть процедура отображения категорий «один-к-одному» – а это с большой долей вероятности приведет к системным ошибкам. Нейронные сети известны своей устойчивостью к случайным ошибкам, повреждениям и шуму – однако эта устойчивость не распространяется на системные ошибки (такие как погрешность пространственных измерений, вызванная отклонениями или износом инструментов, например). Исправление ошибок будет осложнено отсутствием средств проверки различных способов измерений.

Предположим, мы хотим отрегулировать параметры или исправить ошибки в сети, наблюдая за наиболее общими ее проявлениями. Наша сеть состоит из 86 млрд нейронов, каждый из которых представлен 10 тысячами соответствующих электрических эквивалентов, обладающих 10 разными параметрами. В таком случае количество данных этой сети легко превысит возможности любой существующей вычислительной системы, классической или квантовой. Таким образом, критически важно сузить задачу, исключить и настроить небольшие подсистемы, чтобы они давали ответы, соответствующие своим функциональным характеристикам.

В любом случае инженерная практика показывает, что было бы неразумно (за исключением тех случаев, когда это неизбежно) полагаться на одношаговые процессы, не дающие возможности проверки или частичной реконструкции. Собрать данные, построить полную модель и нажать «Пуск» – такой ход действий является просто-напросто рискованным. Необходимость бороться с проблемами в крайне сложной системе без возможности выполнения пошаговых действий колоссально повышает сложность задачи. Таким образом, практический метод успешного моделирования головного мозга должен сочетать в себе и структурные, и функциональные измерения – в высоком масштабе и разрешении.

Дата добавления: 2015-07-01