Siêu khoa học của các mô hình thần kinh

Một bản tóm tắt không chính thức về bài phê bình chính thức về phương pháp luận trong khoa học thần kinh tính toán, “ Về suy luận logic về não, hành vi và mạng lưới thần kinh nhân tạo ” (2021) của Olivia Guest và Andrea Martin

Tôi thường quay đi quay lại khi nghĩ về vai trò của mô hình máy tính trong việc giải thích cách thức hoạt động của bộ não. Tôi bị ảnh hưởng bởi cảm xúc và thành kiến, sở thích về chủ nghĩa hiện thực vật lộn với sở thích về tiện ích. Một mặt, hầu hết các thuật toán mạng nơ-ron phần nào được lấy cảm hứng từ các quan sát sinh học, vì vậy chúng phải có liên quan gì đó, nhưng mặt khác, mạng nơ-ron thường được thiết kế bởi các kỹ sư làm việc với cơ sở dữ liệu cho các kỹ sư khác làm việc với cơ sở dữ liệu . Mạng lưới thần kinh có thể phản ánh nhiều hơn cái sau so với cái trước, nhưng tôi nhận thấy xu hướng mọi người muốn tin rằng chúng thực sự giống như bộ não.

Chúng tôi thấy hình ảnh rô-bốt hình người được sử dụng trong nhiều hướng dẫn ML trên Phương tiện, ngày càng nhiều thiết bị của chúng tôi được gọi là “thông minh” và các từ trong khoa học nhận thức và tâm lý học như “học tập” được sử dụng thay thế cho nhau giữa máy móc và sinh vật sống.

Một số điều này có thể chỉ là cảm hứng khoa học viễn tưởng, một chút cường điệu, điều gì đó khiến mọi người quan tâm (và tài trợ) cho khoa học máy tính/nghiên cứu thống kê ứng dụng tính toán. Có lẽ sẽ có nhiều vấn đề hơn nếu những người sử dụng máy tính để hiểu bộ não, các nhà thần kinh học máy tính, bị cuốn vào niềm tin đó. Đây chính xác là những gì sẽ xảy ra và là nội dung của bài báo năm 2021 của Guest và Martin.

Khi một nhà thần kinh học máy tính muốn biết điều gì đó về cách thức hoạt động của bộ não, họ có xu hướng tạo ra một mô hình của nó bằng cách sử dụng Mạng thần kinh nhân tạo (ANN). Vì có một lượng lớn dữ liệu được thu thập về và từ bộ não, người ta có thể chỉ cần đưa dữ liệu đó vào một mô hình mạng nơ-ron và nếu kết quả trông giống như dữ liệu não bộ, thì mô hình đó phải cung cấp một số thông tin chi tiết về chính bộ não. , bên phải?

Các tác giả cho thấy rằng, không, chúng không tương đương. Do hiện tượng “nhiều khả năng có thể thực hiện được”, nhiều thứ khác nhau có thể tạo ra cùng một loại hành động. Nó không có nghĩa là cả hai giống nhau, hoặc cái này giải thích cái kia. Đây thực sự là một ngụy biện logic được gọi là khẳng định hệ quả .

Một ví dụ cổ điển trong logic cổ điển của một lập luận hợp lệ là Modus Ponens, hay “khẳng định tiền đề”:

Như bạn có thể đoán, việc khẳng định hệ quả đang gây nhầm lẫn giữa P và Q ở vế phải của phương trình.

“Nếu ai đó sống ở San Diego, thì họ sống ở California. Joe sống ở California. Do đó, Joe sống ở San Diego” (Ví dụ của Wikipedia)

hoặc, từ trang. 6 của bài báo:

“Nếu mô hình thực hiện những gì mọi người làm, thì mô hình đó sẽ xấp xỉ dữ liệu về hành vi và/hoặc hình ảnh thần kinh của con người. (Q → P).”

Điều này không hợp lý về mặt logic, nhưng, như các tác giả đã chỉ ra, nó gần như phổ biến trong mô hình tính toán của bộ não. Nhiều đến mức các nhà nghiên cứu dường như thực sự tin vào điều đó, trong khi thực tế là họ đang kết hợp “sức mạnh dự đoán” với “đức tính giải thích”

Các nhà thần kinh học máy tính sử dụng các mô hình rất nhiều. Ví dụ: chúng ta có thể xem tập sách chương trình từ hội nghị COmputational và SYstems NEuroscience ( COSYNE ) năm 2021 và xem có bao nhiêu dòng chứa từ “mô hình” được trả về bằng cách chạy bản pdf thông qua công cụ tìm kiếm grep và công cụ đếm từ wc :

lesspipe Cosyne2021_program_book.pdf | grep [M,m]odel | wc

Các mô hình vẫn hữu ích! Chúng là nền tảng của phần lớn khoa học. Tuy nhiên, giải thích là một khía cạnh quan trọng khác của khoa học. Bất kỳ ai “làm khoa học” đều cần có khả năng phân tích siêu khoa học các phương pháp, lý thuyết và cách diễn giải của chúng tôi để đảm bảo rằng các tuyên bố của chúng tôi là hợp lệ chứ không chỉ đơn giản là đưa ra những phép loại suy có cảm giác chân thực. Trong khoa học thần kinh tính toán nhận thức, Guest và Martin chỉ ra rằng, có một sự cám dỗ rất lớn để làm điều này, bởi vì vẫn chưa có sự đồng thuận về những gì mà đốm màu béo, nhiễm điện trong đầu chúng ta thực sự đang làm. Mọi người đang nắm bắt sự thật khi tất cả những gì chúng ta có là dữ liệu.

“Dữ liệu từ bộ não vốn dĩ không phải là thông tin cơ học trong bản thân nó.”

Các lý thuyết chắc chắn có thể và nên được cung cấp thông tin dữ liệu, nhưng dữ liệu là không đủ để tạo ra một lý thuyết về cách thức hoạt động của một thứ gì đó. Nếu điều này được giả định, thì sẽ có nguy cơ tuyên bố điều gì đó là đúng trong khi nó thực sự chỉ là một giả định, điều này không phải là khoa học. Khoa học tìm cách giải thích, giúp con người hiểu thế giới. Dự đoán không giống như hiểu biết , mặc dù nó là một công cụ mạnh mẽ khi được sử dụng đúng cách, như một công cụ khám phá chứ không phải giải thích.

Vì, như các tác giả đã chỉ ra, chúng ta vẫn chưa biết ý nghĩa của việc một thứ gì đó “khả thi về mặt sinh học”, nên có lẽ chúng ta có thể dừng việc cố gắng kết hợp các khái niệm về NN sinh học và NN nhân tạo, cho đến khi tìm hiểu thêm về NN nhân tạo. cái trước và sử dụng cái sau để làm những gì nó làm tốt nhất: xử lý lượng dữ liệu khổng lồ bằng máy tính.

Có một số ứng dụng của ANN đối với dữ liệu khoa học thần kinh không được đóng khung dưới dạng giải thích. Phân tích chuỗi thời gian điện não đồ để dự đoán những thứ như co giật, tự động phân tích dữ liệu MRI để tìm các tổn thương khó phát hiện, tìm các mẫu thời gian ẩn trong nhịp điệu tàu tăng đột biến, v.v. Bằng cách đó, khoa học thần kinh lý thuyết có thể quay lại lý thuyết và tạo mô hình với “tính hợp lý về nhận thức thần kinh ” trong tâm trí ngay từ đầu, thay vì các mô hình được sinh ra từ “mục tiêu kỹ thuật”.

Là kỹ thuật robot kiểu dáng đẹp là mục tiêu cơ bản của khoa học thần kinh tính toán? Tôi không nghĩ nó nên như vậy. Tôi hy vọng mục tiêu sẽ là hiểu được bộ não, tâm trí và cuộc sống của những người sử dụng chúng. Công việc siêu khoa học như bài báo này là rất quan trọng để giữ cho các nhà khoa học phù hợp với mục tiêu đó. Khoa học* có xu hướng trở thành một phương pháp “tạo ra sự thật” trong xã hội, vì vậy, bạn nên ưu tiên hàng đầu việc đảm bảo rằng nó thực sự đúng chứ không chỉ là những biểu hiện thú vị có vẻ đúng .

(*bao gồm cả khoa học dữ liệu)