Passen je hersenen in een computer?

Waarom ben je wie je bent, waarom leer je uit je fouten en waarom onthoud je (hopelijk) iets van dit artikel? Over de exacte mechanismen van ons bewustzijn, leervermogen en geheugen is de wetenschap het nog steeds niet eens, maar door onze hersenen te simuleren in een computer kunnen we een nieuw licht werpen op deze mysteries.

Je hersenen zijn een gigantisch mierennest

Het doen en laten van een mier wordt bepaald door een handvol simpele regels. Een hele mierenkolonie kan echter een veel complexer gedrag vertonen, dat de simpele vuistregels van de individuele mier overstijgt. Dit fenomeen, waarbij het geheel de individuele stukjes overstijgt, wordt emergentie genoemd. Zo bestaan ook je hersenen uit ongeveer 90 miljard individuele neuronen. Deze neuronen staan in verbinding door via hun axonen signalen te sturen naar de dendrieten van andere neuronen (figuur 1). Al deze signalen worden beïnvloed door synapsen. Synapsen zijn de connecties tussen de axonen en dendrieten. De neuronen kunnen namelijk de connectiesterkte van die synapsen aanpassen. Hierdoor verandert de sterkte van de signalen die doorgestuurd worden in onze hersenen. Dit aanpassingsvermogen van de synapsen wordt synaptische plasticiteit genoemd en veroorzaakt de emergentie van ons leervermogen en geheugen. Hoe de neuronen hun synaptische plasticiteit regelen is nog niet exact geweten. Het ontdekken van deze regels is de sleutel tot het ontrafelen van ons leervermogen en geheugen.

Slimme computers

In de neurowetenschappen wordt al enkele decennia lang onderzoek gedaan naar de werking van de synaptische plasticiteit. De regels die ze ontdekten, hebben echter tot nu toe nooit geleid tot een emergent leervermogen dat even krachtig is als bij de mens. In het domein van artificiële intelligentie zijn er recent slimme algoritmes uitgevonden, die het leervermogen van de mens op sommige vlakken benaderen of zelfs overstijgen. Vele van deze doorbraken zijn gebaseerd op artificiële neurale netwerken die geprogrammeerd worden in een computer. Deze netwerken bestaan uit eenvoudige abstracte neuronen die met elkaar verbonden zijn en de sterkte van hun synapsen aanpassen volgens een wiskundig algoritme (figuur 2). Zou het kunnen dat onze hersenen hun synapsen op een gelijkaardige manier aanpassen? Na onderzoek blijkt helaas dat dit wiskundig model biologisch niet mogelijk is. Toch kunnen deze simpele wiskundige neuronen ons nog steeds helpen om de hersenen te ontrafelen indien we nieuwe, biologisch mogelijke hypothesen voor de synaptische plasticiteit kunnen bedenken.

Leren met ideaalbeelden

Om ervoor te zorgen dat de hypothese voor synaptische plasticiteit van een model wel mogelijk is in onze hersenen, kan je best beginnen met een model dat de synaptische sterktes aanpast op een biologisch onderbouwde manier. Daarna kan je dan onderzoeken welk emergent leervermogen het hele netwerk vertoont. Target propagation, een nieuwe hypothese voor de synaptische plasticiteit in artificiële neurale netwerken, maakt gebruik van deze strategie. Deze hypothese stelt dat er een evenwicht moet zijn tussen het signaal dat een neuron uitstuurt via voorwaartse connecties en het target signaal dat hij binnenkrijgt via feedback connecties (figuur 3). Als zijn voorwaarts signaal verschillend is van zijn target signaal, moet hij de sterktes van zijn synapsen aanpassen om dat verschil kleiner te maken. Deze target signalen stellen een ideaalbeeld voor. Neem als voorbeeld een artificieel neuraal netwerk dat foto’s van honden en katten moet onderscheiden. De input neuronen van het netwerk krijgen een foto van een hond of kat te zien en het output neuron moet zeggen of het een hond of kat is. Hierna wordt de juiste oplossing (het label van hond of kat) als een target via feedback verbindingen naar al de neuronen van het netwerk gestuurd. Als het netwerk correct was, zijn de signalen die de neuronen uitsturen dezelfde als de targets die ze binnenkrijgen, dus moeten ze hun synapsen niet aanpassen. Als het netwerk fout was, verschillen de signalen van hun target signalen en moeten de neuronen hun synapsen wel aanpassen.

Van mier tot mierenkolonie

Het grote probleem is dat target propagation enkel een wiskundige vergelijking heeft over hoe de synapsen aangepast moeten worden, maar geen model heeft voor het emergente leervermogen dat hierdoor ontstaat in het netwerk. We kennen dus de simpele regeltjes voor het gedrag van elke mier, maar we hebben geen model voor het gedrag van de mierenkolonie. In mijn thesis heb ik een model voor dit emergente leervermogen opgesteld. Via dit model ben ik erachter gekomen dat target propagation heel gelijkaardig is aan een bekend wiskundig algoritme, genaamd Gauss-Newton optimalisatie. Gauss-Newton optimalisatie is in theorie een veel krachtiger algoritme dan het error back-propagation algoritme dat meestal gebruikt wordt in artificiële neurale netwerken. Met mijn wiskundig model kunnen we nu verder onderzoeken hoe we target propagation kunnen verbeteren zodat het de Gauss-Newton optimalisatie beter benadert. Dit zou tot grote doorbraken kunnen leiden in artificiële intelligentie.

Van wiskundige neuronen naar biologische neuronen

De target propagation methode was weliswaar bedacht vanuit een biologisch standpunt, maar hoe komen de feedback paden en de target signalen in een biologisch neuraal netwerk werkelijk voor? In mijn thesis heb ik ontdekt dat deze feedback paden en target signalen in theorie mogelijk zijn in netwerken van piramidale neuronen. Piramidale neuronen zijn de meest voorkomende neuronen in onze hersenschors en kunnen opgedeeld worden in drie verschillende delen (figuur 4): het piramidevormig cellichaam, de basale dendrieten en de apicale dendrieten. Door deze drie compartimenten van verschillende neuronen op een slimme manier met elkaar te verbinden, verschijnen er feedback paden waarvan neuronen gebruik kunnen maken om de target signalen door te sturen. Target propagation kan dus niet alleen leiden tot wiskundige doorbraken in artificiële intelligentie, maar het is ook mogelijk dat onze hersenen een soortgelijke methode gebruiken om ons nieuwe dingen te laten leren.

Kunnen we nu onze hersenen simuleren? Passen je hersenen in een computer? Voorlopig (nog) niet, maar door stelselmatig wiskundige modellen te combineren met de biologische eigenschappen van onze hersenen, komen we stapje voor stapje dichterbij.