Beyin Öğrenme Oranını Ortama Göre Ayarlıyor

Geri bildirim aldığımız her seferinde beyin, çevredeki değişikliklere yanıt olarak bilgi ve davranışını günceller. Ancak, ortamda belirsizlik veya oynaklık varsa, tüm sürecin ayarlanması gerekir.

Yeni bir çalışmada Dartmouth araştırmacıları, yaptığımız her şey için tek bir öğrenme oranı olmadığını keşfettiler çünkü beyin, metaplastisite adı verilen sinaptik bir mekanizma kullanarak öğrenme oranlarını kendi kendine ayarlayabiliyor.

Bulgular, beynin her zaman en iyi şekilde davrandığı teorisini çürütüyor. Beynin öğrenmeyi nasıl ayarladığı uzun zamandır beynin ödül sistemi ve çevreden elde edilen ödülleri optimize etme hedefi veya çevrenin yapısını öğrenmekten sorumlu daha bilişsel bir sistem tarafından yönlendirildiği düşünülmektedir.

Çalışma bulguları yayınlandı Nöron.

Araştırmacılar, sinapsların beyindeki nöronlar arasındaki bağlantılar olduğunu ve bilgilerin bir nörondan diğerine aktarılmasından sorumlu olduğunu açıklıyor.

Potansiyel ödülleri değerlendirmede tercih söz konusu olduğunda, belirli bir seçeneğin öğrenilmiş değeri, bir şeyi ne kadar sevdiğinizi yansıtan belirli sinapslarda depolanır. Belirli bir seçeneği seçtikten sonra olumlu geribildirim alırsanız, beyin ilişkili sinapsları daha güçlü hale getirerek bu seçeneğin değerini artırır.

Aksine, geribildirim negatifse, bu sinapslar zayıflar. Bununla birlikte, sinapslar, metaplastisite adı verilen bir süreç aracılığıyla bilgiyi nasıl ilettiklerini değiştirmeden de değişikliklere uğrayabilir.

Önceki çalışmalar, beynin öğrenme oranını ayarlamak için çevredeki belirsizliği izlemek için özel bir sisteme dayandığını ileri sürdü. Ancak bu çalışmanın yazarları, tek başına metaplastisitenin, belirli bir ortamda ödül hakkındaki belirsizliğe göre öğrenmeyi ince ayar yapmak için yeterli olduğunu buldular.

“Öğrenmedeki en karmaşık sorunlardan biri, belirsizliğe ve çevrede meydana gelen hızlı değişikliklere nasıl uyum sağlanacağıdır. Psikoloji ve beyin bilimleri yardımcı doçenti Dr. Alireza Soltani, beyindeki en basit hesaplama unsurları olan sinapsların bu tür zorluklar için sağlam bir çözüm sağlayabileceğini bulmak çok heyecan verici ”dedi.

Elbette, bu kadar basit unsurlar optimal bir çözüm sağlamayabilir, ancak metaplastisiteye dayalı bir modelin, gerçek davranışları iyimserliğe dayalı modellerden daha iyi açıklayabileceğini bulduk ”diye ekledi.

Bu çalışma, öğrenmenin kendi kendine ayarlanabileceğini ve açık bir optimizasyon veya çevre hakkında tam bilgi gerektirmediğini göstermektedir. Yazarlar, bulgularının olası pratik uygulamalarını önermektedir.

Sinapsların esnek bir şekilde uyum sağlayamayacağı bağımlılık gibi davranışsal anormallikler için, sistemi yeniden plastik hale getirmek için daha dikkatli tasarlanmış geri bildirimler gerekli olabilir, bu da metaplastisitenin daha geniş bir ilgiye sahip olabileceğini gösterir.

Kaynak: Dartmouth College / EurekAlert