Человеческий мозг может хранить информации в 1000 раз больше, чем считалось 

Фото из открытых источников

Человеческий мозг ежедневно выполняет триллионы вычислений, потребляя при этом примерно столько же электроэнергии, сколько тусклая лампочка. Несмотря на десятилетия исследований, ученые так и не смогли до конца понять, как оно хранит такое огромное количество информации и обрабатывает ее с такой необычайной эффективностью.

Новое исследование, основанное на физических принципах, предлагает неожиданный ответ. Вместо того чтобы рассматривать нейроны как независимые процессоры, исследователи утверждают, что группы нейронов работают вместе как коллективные системы. Результаты исследования опубликованы в журнале National Science Review.

Модель, разработанная командой, предполагает, что мозг функционирует практически на теоретическом пределе энергоэффективности. Это также указывает на то, что мозг способен хранить примерно в тысячу раз больше информации, чем предполагалось ранее, и может послужить образцом для создания значительно более эффективного искусственного интеллекта.

На протяжении десятилетий нейронаука объясняла мышление с помощью отдельных частей мозга. Исследователи проследили, как активируется один нейрон, как синапс передает сигнал и как области мозга взаимодействуют друг с другом. Эта работа заложила основы современной нейронауки. Однако она так и не объяснила до конца, почему мозг так экономно расходует энергию. 

Ванлинь Го, профессор Нанкинского университета аэронавтики и космонавтики (NUAA), посвятил свою карьеру изучению физики материалов и энергии, а не нейронов. Большая часть его наиболее известных работ посвящена наноматериалам и генерации электроэнергии из движущейся воды. Его группа, во главе с Цзиньсюанем Ма, привнесла этот физический подход в изучение мозга. Главная идея заключалась в том, чтобы перестать рассматривать нейроны по отдельности. Вместо этого они рассматривали всю группу как единое целое и задавались вопросом, что они могут делать вместе.

Для изучения группы как единого целого команда создала упрощенную модель нейрона. Каждая из них воспроизводила основную форму и электрическое поведение реальной клетки. Они сгруппировали множество этих цифровых нейронов в шар и позволили ему занять положение с наименьшей энергией. Этот кластер они называют нейронной сферой.

Затем исследователи запустили модель. Они варьировали способ соединения нейронов, их количество и исходное состояние. В ходе этих экспериментов кластеры не затихали и не активировались случайным образом. Вместо этого они генерировали устойчивые электрические ритмы, которые повторялись в течение длительных циклов.

Команда проверила эту идею на множестве нервных систем. Масштаб исследования варьировался от круглого червя с несколькими сотнями нейронов до человеческого мозга с десятками миллиардов нейронов.

Здесь основную работу выполняют именно ритмы. В этой модели воспоминания распределены, а не локализованы. Они формируются в соответствии с паттерном, который формируется в целом кластере после небольшого толчка. Различные входные данные подталкивают кластер к различным отправным точкам. Оттуда он устанавливает свой собственный, неповторимый ритм.

Этот ритм не только сохраняет информацию, но и переводит её на следующий этап обработки. Чтобы описать, как простые группы порождают такие сложные и стабильные узоры, исследователи заимствовали инструменты из теории хаоса и фрактальной геометрии. Обе области изучают, как порядок возникает из запутанного, повторяющегося движения.

Именно эта часть больше всего отличается от стандартных представлений. До сих пор большинство оценок объема мозга сводились к суммированию состояний отдельных синапсов. Рассмотрение информации как коллективного, постоянно меняющегося потока открывает гораздо больше возможностей.

Это дополнительное пространство отражается в цифрах. Модель предсказывает объем памяти человеческого мозга примерно в 7,5 миллиардов гигабайт. Это примерно в тысячу раз больше, чем оценки, основанные на подсчете синаптических состояний.

Метод подсчета синапсов уже принес неожиданные результаты. В одном широко цитируемом исследовании была составлена карта тонких нейронных связей в фрагменте мозговой ткани. Исследователи обнаружили, что каждый синапс содержит гораздо больше информации, чем ожидалось.

Новая структура значительно увеличивает общий объем памяти, рассматривая ее как динамический, а не фиксированный ресурс. Модель также оценивает общую вычислительную мощность. Она оценивает вычислительную мощность мозга примерно в 78 000 единиц, эквивалентную мощности высокопроизводительных видеокарт. Всё это работает в организме живого человека, потребляющего около 20 ватт.

Утверждение об эффективности основано на законе из физики. Стирание одного бита информации влечет за собой минимальные энергетические затраты, известные как предел Ландауэра. Это нижний предел, установленный термодинамикой, и ни один компьютер не сможет его превзойти.

Согласно расчетам модели, затраты мозга на обработку информации примерно в 1,26 раза превышают этот минимальный порог. Это соответствует эффективности почти в 79 процентов. Минимальный уровень — это не просто теория. В эксперименте 2012 года, в ходе которого была захвачена одна микроскопическая частица, было измерено количество тепла, выделяющегося при стирании одного бита. Полученное значение совпало с предсказанным минимумом.

Современные лучшие чипы для искусственного интеллекта значительно превосходят этот предел. По оценкам исследования, они потребляют примерно в миллиард раз больше энергии, чем допустимый предел для перемещения и удаления информации. Этот разрыв подчеркивает, насколько эффективным, по всей видимости, уже стал мозг.

Новым здесь является способ подсчета. Функционирование мозга описывается не как сигналы в отдельных клетках, а как закономерности, распространяющиеся на взаимодействующие группы. Эта точка зрения предсказывает как значительно больший объем памяти, так и эффективность, близкую к физическому пределу.

Наиболее очевидное применение – в аппаратной части. Инженеры, разрабатывающие нейроморфные чипы – процессоры, созданные по образцу мозга, – теперь имеют конкретную цель и возможную стратегию. Вместо того чтобы питать энергоемкие тактовые генераторы от высокого напряжения, в будущих разработках можно будет полагаться на коллективные ритмы, описываемые этой моделью.

Эти оценки смелы и получены на основе модели, а не прямых записей, поэтому другие группы исследователей проверят их. Тем не менее, эта работа объединяет нейробиологию и разработку микросхем в единый общий принцип. Мозг способен хранить информацию в результате коллективного движения множества его частей, и такой способ хранения информации отличается удивительной энергоэффективностью.