อภิวิทยาศาสตร์ของแบบจำลองประสาท

บทสรุปอย่างไม่เป็นทางการของการวิพากษ์ระเบียบวิธีการทางประสาทวิทยาศาสตร์เชิงคำนวณ “ ในการอนุมานเชิงตรรกะเหนือสมอง พฤติกรรม และโครงข่ายประสาทเทียม ” (2021) โดย Olivia Guest และ Andrea Martin

ฉันมักจะกลับไปกลับมาเมื่อนึกถึงบทบาทของแบบจำลองทางคอมพิวเตอร์ในการอธิบายวิธีการทำงานของสมอง ฉันถูกครอบงำด้วยอารมณ์และอคติ ความชอบในความสมจริงต่อสู้กับความชอบด้านประโยชน์ใช้สอย ในด้านหนึ่ง อัลกอริทึมของโครงข่ายประสาทเทียมส่วนใหญ่ค่อนข้างได้รับแรงบันดาลใจจากการสังเกตทางชีววิทยา ดังนั้นจึงควรมีส่วนเกี่ยวข้องกับมัน แต่ในทางกลับกัน โครงข่ายประสาทเทียมมักจะออกแบบโดยวิศวกรที่ทำงานกับฐานข้อมูลสำหรับวิศวกรคนอื่นๆ ที่ทำงานกับฐานข้อมูล . เครือข่ายประสาทอาจสะท้อนถึงสิ่งหลังมากกว่าในอดีต แต่ฉันสังเกตเห็นแนวโน้มของผู้คนที่ต้องการเชื่อว่าพวกเขาเป็นสิ่งประดิษฐ์ที่เหมือนสมองจริงๆ

เราเห็นภาพหุ่นยนต์ฮิวแมนนอยด์ที่ใช้ในบทเรียน ML มากมายบนสื่อ อุปกรณ์ของเราจำนวนมากขึ้นเรื่อย ๆ เรียกว่า "ฉลาด" และคำจากวิทยาศาสตร์การรับรู้และจิตวิทยา เช่น "การเรียนรู้" ถูกใช้แทนกันได้ระหว่างเครื่องจักรและสิ่งมีชีวิต

บางส่วนอาจเป็นเพียงแรงบันดาลใจแนวไซไฟ โฆษณาเกินจริง บางสิ่งเพื่อให้ผู้คนสนใจ (และให้ทุนสนับสนุน) วิทยาการคอมพิวเตอร์/การวิจัยสถิติประยุกต์เชิงคำนวณ บางทีอาจเป็นปัญหามากกว่าถ้าคนที่ใช้คอมพิวเตอร์เพื่อทำความเข้าใจสมอง นักประสาทวิทยาศาสตร์ด้านการคำนวณ หลงเชื่อในสิ่งนั้น นี่คือสิ่งที่เกิดขึ้นจริง ๆ และเอกสารในปี 2021 ของ Guest และ Martin เกี่ยวกับอะไร

เมื่อนักประสาทวิทยาศาสตร์ด้านการคำนวณต้องการทราบบางอย่างเกี่ยวกับวิธีการทำงานของสมอง พวกเขามักจะสร้างแบบจำลองโดยใช้โครงข่ายประสาทเทียม (ANN) เนื่องจากมีข้อมูลจำนวนมากที่รวบรวมเกี่ยวกับและจากสมอง เราสามารถโยนข้อมูลนั้นในแบบจำลองของโครงข่ายประสาทเทียม และถ้าผลลัพธ์ดูเหมือนข้อมูลของสมอง แบบจำลองจะต้องให้ข้อมูลเชิงลึกเกี่ยวกับสมองเอง , ขวา?

ผู้เขียนแสดงให้เห็นว่า ไม่ พวกเขาไม่เทียบเท่ากัน เนื่องจากปรากฏการณ์ของ "การตระหนักรู้หลายอย่าง" สิ่งที่แตกต่างกันหลายอย่างสามารถสร้างการกระทำประเภทเดียวกันได้ ไม่ได้หมายความว่าทั้งสองเหมือนกันหรืออธิบายอีกสิ่งหนึ่ง นี่คือการเข้าใจผิดเชิงตรรกะที่เรียกว่าการยืนยันผลที่ตามมา

ตัวอย่างคลาสสิกในตรรกะคลาสสิกของอาร์กิวเมนต์ที่ถูกต้องคือ Modus Ponens หรือ "ยืนยันสิ่งที่มาก่อน":

อย่างที่คุณอาจเดาได้ การยืนยันผลที่ตามมาจะทำให้ P และ Q ทางด้านขวาของสมการเกิดความสับสน

“ถ้าใครอาศัยอยู่ในซานดิเอโก แสดงว่าเขาอาศัยอยู่ในแคลิฟอร์เนีย โจอาศัยอยู่ในแคลิฟอร์เนีย ดังนั้น โจจึงอาศัยอยู่ในซานดิเอโก” (ตัวอย่างจากวิกิพีเดีย)

หรือจากหน้า 6 ของกระดาษ:

“หากแบบจำลองทำในสิ่งที่ผู้คนทำ แบบจำลองก็จะประมาณพฤติกรรมของมนุษย์และ/หรือข้อมูลการสร้างภาพทางระบบประสาท (คิว → พี)”

นี่ไม่ใช่เหตุผลที่ถูกต้อง แต่ตามที่ผู้เขียนชี้ให้เห็น มันเกือบจะแพร่หลายในการสร้างแบบจำลองการคำนวณของสมอง มากเสียจนดูเหมือนนักวิจัยจะเชื่ออย่างนั้นจริงๆ ทั้งที่จริงๆ แล้วพวกเขากำลังรวม "พลังแห่งการทำนาย" กับ "คุณธรรมเชิงอธิบาย"

นักประสาทวิทยาเชิงคำนวณใช้แบบจำลองเป็นจำนวนมาก ตัวอย่างเช่น เราสามารถดูจุลสารโปรแกรมจากการประชุม 2021 COmputational and SYstems NEuroscience ( COSYNE ) และดูว่ามีบรรทัดที่มีคำว่า "model" กี่บรรทัดที่ส่งคืนโดยการเรียกใช้ pdf ผ่านเครื่องมือค้นหา grep และเครื่องมือนับคำ wc :

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

โมเดลยังมีประโยชน์! เป็นพื้นฐานของสิ่งที่เป็นวิทยาศาสตร์ อย่างไรก็ตาม การตีความเป็นอีกแง่มุมที่สำคัญของวิทยาศาสตร์ ใครก็ตามที่ “ทำงานด้านวิทยาศาสตร์” จำเป็นต้องสามารถวิเคราะห์วิธีการ ทฤษฎี และการตีความของเราในเชิงเมตาทางวิทยาศาสตร์ได้ เพื่อให้แน่ใจว่าข้อความของเรานั้นถูกต้อง ไม่ใช่แค่การโยนความรู้สึกเปรียบเทียบที่เหมือนจริงออกไป ในประสาทวิทยาศาสตร์การคำนวณการรับรู้ Guest และ Martin ชี้ให้เห็นว่ามีสิ่งล่อใจอย่างมากที่จะทำเช่นนี้ เพราะยังไม่มีความเห็นพ้องต้องกันว่าก้อนไขมันที่กระตุ้นด้วยไฟฟ้าในหัวของเรากำลังทำอะไรอยู่ ผู้คนไขว่คว้าหาความจริงเมื่อเรามีเพียงแค่ข้อมูล

“ข้อมูลจากสมองไม่ได้ให้ข้อมูลโดยกลไกโดยเนื้อแท้ในตัวของมันเอง”

ทฤษฎีสามารถเป็นและควรเป็นข้อมูลได้อย่างแน่นอน แต่ข้อมูลไม่เพียงพอที่จะสร้างทฤษฎีว่าบางสิ่งทำงานอย่างไร หากเป็นสมมติฐาน ก็มีความเสี่ยงที่จะระบุว่าบางสิ่งเป็นจริงทั้งๆ ที่จริงๆ แล้วเป็นเพียงข้อสันนิษฐาน ซึ่งไม่ใช่วิทยาศาสตร์ วิทยาศาสตร์ดูเหมือนจะอธิบายเพื่อช่วยให้ผู้คนเข้าใจโลก การคาดคะเนไม่เหมือนกับความเข้าใจแม้ว่าจะเป็นเครื่องมือที่มีประสิทธิภาพเมื่อใช้อย่างถูกต้อง แต่เป็นเครื่องมือในการสำรวจไม่ใช่คำอธิบาย

เนื่องจากตามที่ผู้เขียนชี้ให้เห็น เรายังไม่รู้ว่าสิ่งที่ "เป็นไปได้ทางชีวภาพ" หมายความว่าอย่างไร บางทีเราอาจถอยห่างจากการพยายามผสมผสานแนวคิดของ Biological NN และ Artificial NN จนกว่าจะมีการเรียนรู้เพิ่มเติมเกี่ยวกับ ก่อน และใช้อย่างหลังเพื่อทำในสิ่งที่ทำได้ดีที่สุด: ประมวลผลข้อมูลจำนวนมหาศาลด้วยคอมพิวเตอร์

มีแอปพลิเคชัน ANN จำนวนหนึ่งกับข้อมูลประสาทวิทยาศาสตร์ที่ไม่ได้อยู่ในกรอบของคำอธิบาย การวิเคราะห์อนุกรมเวลา EEG เพื่อทำนายสิ่งต่างๆ เช่น การชัก การแยกวิเคราะห์ข้อมูล MRI โดยอัตโนมัติเพื่อค้นหารอยโรคที่ยากต่อการระบุ การค้นหารูปแบบชั่วคราวที่ซ่อนอยู่ในจังหวะรถไฟที่พุ่งสูงขึ้น เป็นต้น ด้วยวิธีนี้ ประสาทวิทยาศาสตร์เชิงทฤษฎีสามารถย้อนกลับไปยังทฤษฎีและการสร้างแบบจำลองด้วย ” ในใจตั้งแต่เริ่มต้น แทนที่จะเป็นโมเดลที่เกิดจาก “เป้าหมายทางวิศวกรรม”

วิศวกรรมหุ่นยนต์เพรียวบางเป็นเป้าหมายพื้นฐานของประสาทวิทยาการคำนวณหรือไม่? ฉันไม่คิดว่ามันควรจะเป็น ฉันหวังว่าเป้าหมายคือการเข้าใจสมอง จิตใจ และชีวิตที่ใช้มัน งาน Metascientific เช่นบทความนี้มีความสำคัญมากในการทำให้นักวิทยาศาสตร์สอดคล้องกับเป้าหมายนั้น วิทยาศาสตร์* มีแนวโน้มที่จะเป็นแนวปฏิบัติในการ "สร้างความจริง" ในสังคม ดังนั้นการตรวจสอบให้แน่ใจว่ามันเป็นความจริงจริง ๆและไม่ใช่แค่การนำเสนอที่ดูเท่และดูเหมือนจริงควรมีความสำคัญสูงสุด

(*รวมถึงวิทยาศาสตร์ข้อมูล)