БИОЛОГИЯЛЫҚ НЕЙРОНДАР МЕН ЖАСАНДЫ НЕЙРОНДЫҚ ЖЕЛІЛЕРДІҢ ФУНКЦИОНАЛДЫҚ ЕРЕКШЕЛІКТЕРІН САЛЫСТЫРМАЛЫ ТАЛДАУ

COMPARATIVE ANALYSIS OF FUNCTIONAL CHARACTERISTICS OF BIOLOGICAL NEURONS AND ARTIFICIAL NEURAL NETWORKS

Arystanova Samal Almasbaikyzy

Master of Biological Sciences, PhD Student, Korkyt Ata University, Kazakhstan, Kyzylorda

Аңдатпа. Мақалада адам миының биологиялық нейрондық желілері мен жасанды интеллект жүйелеріндегі жасанды нейрондардың жұмыс істеу принциптеріне салыстырмалы талдау жасалған. Нейрофизиологиялық процестердің (синапстық беріліс, қозу табалдырығы, нейропластимділік) математикалық модельдерде қалай көрініс табатыны қарастырылған. Зерттеу жұмысы нейробиологиялық заңдылықтарды тереңірек түсіну үшін жасанды интеллект құралдарын қолданудың теориялық негіздерін ашады.

Abstract. The article presents a comparative analysis of the operating principles of biological neural networks of the human brain and artificial neurons in artificial intelligence systems. It examines how neurophysiological processes (synaptic transmission, excitation threshold, neuroplasticity) are reflected in mathematical models. The study reveals the theoretical foundations of using artificial intelligence tools to gain a deeper understanding of neurobiological regularities.

Кілт сөздер: нейрофизиология, жасанды нейрон, синапс, аксон, активация функциясы, нейропластимділік.

Keywords: neurophysiology, artificial neuron, synapse, axon, activation function, neuroplasticity.

Кіріспе. XXI ғасырдағы ғылымның ең өзекті мәселелерінің бірі – адам миының когнитивті қызметін зерттеу және оны модельдеу. Нейробиология мен информатика ғылымдарының түйісуі нәтижесінде «Жасанды нейрондық желілер» (Artificial Neural Networks) ұғымы пайда болды. Дегенмен, көп жағдайда жасанды интеллект биологиялық мидың аналогы ретінде қабылданады, бұл ғылыми тұрғыдан толықтай дұрыс емес [8]. Биологиялық нейрон – күрделі биохимиялық және электрлік процестер жүретін тірі құрылым болса, жасанды нейрон – оның жеңілдетілген математикалық моделі ғана. Осы орайда, бұл мақаланың мақсаты – екі жүйенің физиологиялық және функционалдық ұқсастықтары мен айырмашылықтарын ғылыми тұрғыда талдау.

1. Құрылымдық-функционалдық салыстыру

Биологиялық нейрон ақпаратты қабылдау, өңдеу және тасымалдау қызметін атқаратын негізгі жасуша болып табылады. Оның құрылымы үш негізгі бөліктен тұрады: дендриттер (сигнал қабылдағыштар), сома (жасуша денесі) және аксон (сигнал таратқыш). Жасанды нейрондар да осы архитектураға негізделген [1].

Физиологиялық тұрғыда дендриттер басқа нейрондардан келетін мыңдаған импульстерді жинайды. Жасанды нейронда бұл қызметті «кіріс сигналдары» ($x$) атқарады. Биологиялық жүйеде сигналдың маңыздылығы синапстың өткізгіштігімен анықталса, жасанды моделде ол «салмақтық коэффициенттер» ($w$) арқылы реттеледі. Егер синапс күшті болса (ұзақ мерзімді потенцияция), сигнал келесі жасушаға оңай өтеді. Тура сол сияқты, жасанды желіде салмақ ($w$) жоғары болса, кіріс ақпараттың нәтижеге әсері күшті болады. Сондай-ақ, биологиялық ми мен жасанды модельдердің архитектуралық айырмашылығын талдауда глиялық жасушалардың (нейроглия) рөлін атап өтпеуге болмайды. Ұзақ уақыт бойы нейробиологияда ақпаратты тек нейрондар тасымалдайды деген тұжырым үстемдік құрды [3]. Алайда, соңғы зерттеулер астроциттер мен олигодендроциттердің синапстық берілісті реттеуге, нейрондарды қоректендіруге және мидың энергия алмасуына тікелей қатысатынын дәлелдеді Жасанды нейрондық желілерде глиялық жасушалардың аналогы мүлдем жоқ. Қазіргі ЖИ модельдері («Deep Learning») тек нейрон-нейрон байланысына негізделген. Бұл – жасанды интеллектінің биологиялық мидан әлдеқайда қарапайым екендігінің тағы бір дәлелі. Егер болашақта жасанды желілерге «глиялық элементтерді» (қосымша реттеуші түйіндерді) енгізетін болсақ, бұл оқыту процесінің тұрақтылығын арттыруы мүмкін деген ғылыми болжамдар бар».

2. Қозу табалдырығы және Активация

Нейрофизиологияның іргелі заңдарының бірі – «Бәрі немесе ештеңе» (All-or-none law) принципі. Нейрон мембранасының деполяризациясы белгілі бір шекті деңгейге (шамамен -55 мВ) жетпейінше, әрекет потенциалы туындамайды. Яғни, сигнал жинақталып, табалдырықтан асқанда ғана аксон бойымен импульс жүреді [2]. Жасанды интеллект модельдерінде бұл физиологиялық механизм «Активация функциясы» (Activation function) арқылы жүзеге асады. Мысалы, Sigmoid немесе ReLU функциялары кіріс сигналдарының қосындысын қабылдап, оны белгілі бір диапазондағы шығыс сигналына айналдырады. Бұл – биологиялық нейронның қозу процесінің тікелей математикалық имитациясы. Алайда, айырмашылық мынада: биологиялық нейронда рефрактерлік кезең (уақытша қозбайтын кезең) болады, ал жасанды нейронда шаршау немесе демалу процесі жүрмейді.

Сурет 1. Биологиялық нейрон мен жасанды нейронның құрылымдық сәйкестігі

3. Нейропластимділік және Оқыту алгоритмдері

Мидың ең ғажайып қасиеті – нейропластикалық. Хебб теориясы (Hebbian theory) бойынша, «бір мезгілде қозатын нейрондар бір-бірімен байланысады». Оқу процесі кезінде синапстар физикалық түрде өзгереді: жаңа байланыстар құрылады немесе ескілері жойылады [10]. Бұл молекулалық деңгейдегі күрделі процесс (медиаторлардың бөлінуі, рецепторлардың сезімталдығының өзгеруі).

Сурет 2. Синапстық беріліс механизмі және нейромедиаторлардың постсинапстық нейронға әсер етуі

Ал жасанды желілерде «оқу» процесі физикалық өзгеріссіз, тек математикалық параметрлерді түзету арқылы жүреді. Ең көп тараған әдіс – «Кері таралу қателігі» (Backpropagation). Желі болжам жасап, қате жібергенде, алгоритм артқа қайтып, барлық салмақтық коэффициенттерді ($w$) түзетеді. Биологиялық мида дәл осындай «кері жүретін» глобалды механизм жоқ, ми локалды өзгерістер арқылы бейімделеді. Бұл – табиғи және жасанды интеллект арасындағы ең үлкен айырмашылықтардың бірі.

4. Биоэнергетикалық тиімділік және метаболизм мәселелері

«Салыстырмалы талдаудың тағы бір маңызды аспектісі – жүйелердің энергия тұтыну тиімділігі. Адам миы орасан зор есептеулер жүргізетініне қарамастан, шамамен 20 Вт энергия жұмсайды. Бұл қарапайым электр шамының қуатымен тең. Мидың мұндай үнемділігі оның ақпаратты өңдеу кезіндегі биохимиялық реакцияларының (АТФ гидролизі) оңтайлылығымен және сигналдарды «сирек кодтау» (sparse coding) әдісімен түсіндіріледі [5].

Яғни, мидағы барлық нейрондар бір уақытта қозып тұрмайды, тек нақты тапсырмаға қажетті нейрондық ансамбльдер ғана іске қосылады.

Ал осыған ұқсас тапсырмаларды орындайтын (мысалы, GPT-4 тәрізді) заманауи жасанды нейрондық желілерді оқыту және жұмыс істету үшін мыңдаған GPU (графикалық процессорлар) кластерлері қажет.

Олардың энергия тұтынуы мегаватпен өлшенеді, бұл кішігірім қаланың электр қуатымен пара-пар. Демек, жасанды интеллект қаншалықты дамығанымен, энергетикалық тиімділік тұрғысынан биологиялық мидан әлі де жүздеген есе артта қалып отыр. Бұл айырмашылық болашақта «нейроморфтық процессорларды» (мидың құрылымын қайталайтын чиптер) жасау қажеттілігін туындатады» [4].

5. Нейробиология мен ЖИ интеграциясының медициналық перспективалары

«Жасанды және биологиялық желілердің айырмашылықтарына қарамастан, олардың конвергенциясы медицинада жаңа мүмкіндіктер ашуда. Қазіргі таңда «Ми-Компьютер интерфейстері» (Brain-Computer Interface, BCI) белсенді дамуда. Бұл технология биологиялық нейрондардың электрлік белсенділігін жасанды желілер арқылы декодтауға негізделген.

Мысалы, сал ауруына шалдыққан науқастардың ми қыртысынан алынған сигналдарды жасанды нейрожелі өңдеп, оны роботталған протездерге команда ретінде жібереді.

Бұл жерде жасанды интеллект биологиялық мидың зақымдалған бөлігінің қызметін уақытша алмастырушы ("нейропротез") рөлін атқарады [9].

Сондай-ақ, Альцгеймер немесе Паркинсон ауруларының ерте сатысын анықтауда МРТ суреттерін талдайтын нейрожелілер дәрігерлерге қарағанда жоғары дәлдік көрсетуде. Бұл – екі жүйенің айырмашылығы емес, бірін-бірі толықтырушы сипатының көрінісі».

Қорытынды. Қорытындылай келе, жасанды нейрондық желілер биологиялық жүйке жүйесінің жұмыс істеу принциптеріне негізделгенімен, олардың арасында елеулі физиологиялық айырмашылықтар бар.

Жасанды модельдер нейронның электрлік белсенділігін және желілік құрылымын сәтті қайталайды, бірақ нейрондардың химиялық күрделілігін (нейромедиаторлар, гормондар әсері) толық қамти алмайды.

Дегенмен, бүгінгі таңда ЖИ модельдерін қолдану нейрофизиологиялық процестерді визуализациялауға және күрделі жүйке желілерінің әрекетін болжауға таптырмас құрал болып табылады. Болашақта биологиялық және жасанды интеллект салаларының интеграциясы нейробиологиялық сауаттылықты арттырудың жаңа әдістемелерін жасауға мүмкіндік береді.