Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Цукерман В. Д. Нейродинамическая модель творческого познания реляционных сетей с четным циклическим торможением // Известия вузов. ПНД. 2022. Т. 30, вып. 3. С. 331-357. DOI: 10.18500/0869-6632-2022-30-3-331-357

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 390)
Полный текст в формате PDF(En):
(загрузок: 260)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
57.011

Нейродинамическая модель творческого познания реляционных сетей с четным циклическим торможением

Авторы: 
Цукерман Валерий Давидович, Южный федеральный университет
Аннотация: 

Целью исследования является изучение нейродинамических основ творческой деятельности мозга. Современные системы искусственного интеллекта, использующие обучение глубоких нейронных сетей, требуют больших объемов входных данных, высоких вычислительных затрат и длительного времени обучения. Напротив, мозг может обучаться на небольших наборах данных в кратчайшие сроки и, что принципиально важно, кардинально отличается наличием творческих способностей. Методы. Исследование выполнено посредством вычислительных экспериментов с нейронными сетями, содержащими 5 и 7 осцилляторных слоёв (контуров), обученных представлять абстрактные концепты определенного класса животных. Схема нейронных сетей с четным циклическим торможением (ECI-сетей) содержит только билатеральные тормозные связи и состоит из двух субсетей: референтной некодирующей сети, являющейся аналогом нейронной сети режима мозга по умолчанию и основной информационной сети, получающей временные градиентные последовательности входных сигналов и контекстных входов. После обучения считывание популяционных фазовых кодов выполнялось простым линейным декодером. Результаты и обсуждение. Концептуальное обучение сети приводит к генерации ряда пространственных абстрактных изображений, отличающихся наиболее выраженными признаками релевантной линейки животных. В вычислительных экспериментах получен широкий набор изоморфных представлений концептов посредством: а) преобразований пространств изображений в широком диапазоне временных шкал обучающего входного потока сигналов; б) внутренней регуляции временных масштабов ментальных представлений концептов; в) подтверждения на модели зависимости психологической близости концептов от семантической дистанции; г) вызова из памяти (декодирования) распределенных групп нейронов концептов животных, которым сеть не была обучена. Заключение. В настоящей работе впервые показано, как используя небольшой набор входных событийных данных (последовательность четырех CCW- и двух CW-сигналов) и весьма ограниченные вычислительные ресурсы, сети с чётным циклическим торможением проявляют креативные начала познания на основе реляционных отношений, концептуального обучения и обобщения знаний.

Список источников: 
  1. Abraham A. The promises and perils of the neuroscience of creativity // Front. Hum. Neurosci. 2013. Vol. 7. P. 246. DOI: 10.3389/fnhum.2013.00246.
  2. Benedek M., Fink A. Toward a neurocognitive framework of creative cognition: the role of memory, attention, and cognitive control // Curr. Opin. Behav. Sci. 2019. Vol. 27. P. 116–122. DOI: 10.1016/j.cobeha.2018.11.002.
  3. Kenett Y. N., Faust M. A semantic network cartography of the creative mind // Trends Cogn. Sci. 2019. Vol. 23, no. 4. P. 271–274. DOI: 10.1016/j.tics.2019.01.007.
  4. Beaty R. E., Chen Q., Christensen A. P., Kenett Y. N., Silvia P. J., Benedek M., Schacter D. L. Default network contributions to episodic and semantic processing during divergent creative thinking: A representational similarity analysis // NeuroImage. 2020. Vol. 209. P. 116499. DOI: 10.1016/j.neuroimage.2019.116499.
  5. Vigano S., Piazza M. Distance and direction codes underlie navigation of a novel semantic space in the human brain // J. Neurosci. 2020. Vol. 40, no. 13. P. 2727–2736. DOI: 10.1523/JNEUROSCI.1849-19.2020.
  6. Theves S., Fernandez G., Doeller C. F. The hippocampus maps concept space, not feature space // J. Neurosci. 2020. Vol. 40, no. 38. P. 7318–7325. DOI: 10.1523/JNEUROSCI.0494-20.2020.
  7. Behrens T. E. J., Muller T. H., Whittington J. C. R., Mark S., Baram A. B., Stachenfeld K. L., KurthNelson Z. What is a cognitive map? Organizing knowledge for flexible behavior // Neuron. 2018. Vol. 100, no. 2. P. 490–509. DOI: 10.1016/j.neuron.2018.10.002.
  8. Bottini R., Doeller C. F. Knowledge across reference frames: Cognitive maps and image spaces // Trends Cogn. Sci. 2020. Vol. 24, no. 8. P. 606–619. DOI: 10.1016/j.tics.2020.05.008.
  9. Kay K., Chung J. E., Sosa M., Schor J. S., Karlsson M. P., Larkin M. C., Liu D. F., Frank L. M. Constant sub-second cycling between representations of possible futures in the hippocampus // Cell. 2020. Vol. 180, no. 3. P. 552–567. DOI: 10.1016/j.cell.2020.01.014.
  10. 10. Raffaelli Q., Wilcox R., Andrews-Hanna J. The neuroscience of imaginative thought: An integrative framework // In: Abraham A. (Ed.) The Cambridge Handbook of the Imagination. Cambridge: Cambridge University Press, 2020. P. 332–353. DOI: 10.1017/9781108580298.021.
  11. Amalric M., Wang L., Pica P., Figueira S., Sigman M., Dehaene S. The language of geometry: Fast comprehension of geometrical primitives and rules in human adults and preschoolers // PLoS Comput. Biol. 2017. Vol. 13, no. 1. P. e1005273. DOI: 10.1371/journal.pcbi.1005273.
  12. Цукерман В. Д., Чешков Г. Н. Основы нелинейной динамики сенсорного восприятия. I. Фазовое кодирование в осцилляторных сетях // Нейрокомпьютеры: разработка, применение. 2002. № 7–8. С. 65–72.
  13. Цукерман В. Д. Математическая модель фазового кодирования событий в мозге // Математическая биология и биоинформатика. 2006. Т. 1, № 1. С. 97–107. DOI: 10.17537/2006.1.97.
  14. Цукерман В. Д., Еременко З. С., Каримова О. В., Кулаков С. В., Сазыкин А. А. Когнитивная нейродинамика двух стратегий навигационного поведения организмов // Известия вузов. ПНД. 2011. Т. 19, № 6. С. 96–108. DOI: 10.18500/0869-6632-2011-19-6-96-108.
  15. O’Keefe J., Dostrovsky J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat // Brain Res. 1971. Vol. 34, no. 1. P. 171–175. DOI: 10.1016/0006- 8993(71)90358-1.
  16. Hafting T., Fyhn M., Molden S., Moser M.-B., Moser E. I. Microstructure of a spatial map in the entorhinal cortex // Nature. 2005. Vol. 436, no. 7052. P. 801–806. DOI: 10.1038/nature03721.
  17. Bellmund J. L. S., Gardenfors P., Moser E. I., Doeller C. F. Navigating cognition: Spatial codes for human thinking // Science. 2018. Vol. 362, no. 6415. P. eaat6766. DOI: 10.1126/science.aat6766.
  18. Bernardi S., Benna M. K., Rigotti M., Munuera J., Fusi S., Salzman C. D. The geometry of abstraction in hippocampus and prefrontal cortex // Cell. 2020. Vol. 183, no. 4. P. 954–967. DOI: 10.1016/j.cell.2020.09.031.
  19. Kim H. Default network activation during episodic and semantic memory retrieval: A selective meta-analytic comparison // Neuropsychologia. 2016. Vol. 80. P. 35–46. DOI: 10.1016/j.neuropsychologia.2015.11.006.
  20. Marron T. R., Lerner Y., Berant E., Kinreich S., Shapira-Lichter I., Hendler T., Faust M. Chain free association, creativity, and the default mode network // Neuropsychologia. 2018. Vol. 118. P. 40–58. DOI: 10.1016/j.neuropsychologia.2018.03.018.
  21. Doeller C. F., Barry C., Burgess N. Evidence for grid cells in a human memory network // Nature. 2010. Vol. 463, no. 7281. P. 657–661. DOI: 10.1038/nature08704.
  22. Sharp P. E., Blair H. T., Cho J. The anatomical and computational basis of the rat head-direction cell signal // Trends Neurosci. 2001. Vol. 24, no. 5. P. 289–294. DOI: 10.1016/S0166-2236(00)01797-5.
  23. Sargolini F., Fyhn M., Hafting T., McNaughton B. L., Witter M. P., Moser M.-B., Moser E. I. Conjunctive representation of position, direction, and velocity in entorhinal cortex // Science. 2006. Vol. 312, no. 5774. P. 758–762. DOI: 10.1126/science.1125572.
  24. Taube J. S. The head direction signal: Origins and sensory-motor integration // Annu. Rev. Neurosci. 2007. Vol. 30. P. 181–207. DOI: 10.1146/annurev.neuro.29.051605.112854.
  25. Rolls E. T., Stringer S. M. Spatial view cells in the hippocampus, and their idiothetic update based on place and head direction // Neural Networks. 2005. Vol. 18, no. 9. P. 1229–1241. DOI: 10.1016/j.neunet.2005.08.006.
  26. Rolls E. T, Xiang J.-Z. Spatial view cells in the primate hippocampus and memory recall // Rev. Neurosci. 2006. Vol. 17, no. 1–2. P. 175–200. DOI: 10.1515/REVNEURO.2006.17.1-2.175.
  27. Цукерман В. Д., Харыбина З. С., Кулаков С. В. Математическая модель пространственного кодирования в гиппокампальной формации. II. Нейродинамические корреляты ментальных траекторий и проблема принятия решений // Математическая биология и биоинформатика. 2014. Т. 9, № 1. С. 216–256. DOI: 10.17537/2014.9.216.
  28. Цукерман В. Д. К творческому познанию: креативные начала реляционных нейронных сетей с четным циклическим торможением // Труды VII Всероссийской конференции «Нелинейная динамика в когнитивных исследованиях-2021». Нижний Новгород, 20-24 сентября 2021. Нижний Новгород: ИПФ РАН, 2021. С. 186–189. 
  29. Wang J., Narain D., Hosseini E. A., Jazayeri M. Flexible timing by temporal scaling of cortical responses // Nat. Neurosci. 2018. Vol. 21, no. 1. P. 102–110. DOI: 10.1038/s41593-017-0028-6.
  30. Egger S. W., Remington E. D., Chang C.-J., Jazayeri M. Internal models of sensorimotor integration regulate cortical dynamics // Nat. Neurosci. 2019. Vol. 22, no. 11. P. 1871–1882. DOI: 10.1038/s41593-019-0500-6.
  31. Raichle M. E. The brain’s default mode network // Annu. Rev. Neurosci. 2015. Vol. 38. P. 433–447. DOI: 10.1146/annurev-neuro-071013-014030.
  32. Higgins C., Liu Y., Vidaurre D., Kurth-Nelson Z., Dolan R., Behrens T., Woolrich M. Replay bursts in humans coincide with activation of the default mode and parietal alpha networks // Neuron. 2021. Vol. 109, no. 5. P. 882–893. DOI: 10.1016/j.neuron.2020.12.007.
  33. Peer M., Brunec I. K., Newcombe N. S., Epstein R. A. Structuring knowledge with cognitive maps and cognitive graphs // Trends Cogn. Sci. 2021. Vol. 25, no. 1. P. 37–54. DOI: 10.1016/j.tics.2020.10.004.
  34. Schacter D. L., Addis D. R., Buckner R. L. Remembering the past to imagine the future: the prospective brain // Nat. Rev. Neurosci. 2007. Vol. 8, no. 9. P. 657–661. DOI: 10.1038/nrn2213. 
Поступила в редакцию: 
17.11.2021
Принята к публикации: 
24.03.2022
Опубликована: 
31.05.2022