Познавая мир и изучая его, люди познают смысл происходящего с ними. Они начинают понимать, что происходит в окружающем мире, находить взаимосвязи между людьми, объектами и событиями.

Ученые пытаются понять, что лежит в основе этих "мысленных сборок" знаний, уже многие десятилетия. И их исследования показали, что некоторые из них могут оказаться очень важными.

В последнее время исследования в этой области стали более активными, так как появились искусственные нейронные сети (ИНС) - вычислительные инструменты, созданные на основе структуры и функций нейронов мозга.

Понимание того, как устроены нейронные процессы, обеспечивающие сбор знаний у человека, может помочь в адаптации дизайна ИНС к задачам, которые используют эту способность.

В то же время некоторые ученые начали сравнивать работу мозга с работой ИНС, которая лежит в основе его функционирования. Такие сравнения могут помочь выявить интересные аналогии между нейронными сетями и мозгом человека, которые могут быть полезны как для нейробиологии, так и в информатике.

В Оксфордском университете ученые провели исследование по сбору данных о человеческом мозге и вычислительных моделях на основе нейронных сетей. Исследование, опубликованное в журнале Neuron, показало, как можно улучшить этот сбор знаний, сообщает Medical Xpress.

Для того, чтобы понять, как мозг человека собирает информацию, ученые провели серию опытов. В эксперименте приняли участие 34 человека. Участников конкурса попросили принять решение о новых объектах, которые они видели на экране монитора.

Во время выполнения задания в ходе исследования мозг участников сканировали при помощи функциональной магнитно-резонансной томографии (фМРТ), метода визуализации, позволяющего обнаружить незначительные изменения в кровотоке, связанные с активностью мозга.

Исследователи выяснили, что когда участники получали новую информацию об объектах или связях с ними, их мозг "обновлялся". Используя результаты этих экспериментов, команда пыталась воспроизвести тот же процесс в компьютерной модели на основе нейронных сетей.

Такой подход позволяет модели быстро собирать и пересобирать полученные знания. Для этого используется адаптация стохастического градиентного спуска в режиме онлайн-метода, используемого для постепенного и онлайн-обучения в вычислительных моделях.